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[Analisis Distribusi Kelompok Umur Kepala Sekolah dan Guru di Provinsi Sulawesi Utara, Sulawesi Selatan, Sulawesi Tengah, dan Sulawesi Tenggara Tahun 2023/2024 ]]>
<![CDATA[Devin Slamet]]>;
<![CDATA[Teguh Munnanjar Aliek]]>;
<![CDATA[Zukhruf Gharrick Marius]]>;
<![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[Penelitian ini memiliki tujuan untuk mengacu kepada sejumlah data distribusi umur kepala sekolah dan guru di 4 provinsi yaitu: Sulawesi Utara, Sulawesi Selatan, Sulawesi Tengah, dan Sulawesi Tenggara pada tahun 2023/2024. Penelitian ini memberikan menggambarkan distribusi tersebut melalui histogram, poligon frekuensi, dan ogive, analisis ini penting untuk mengetahui persebaran tenaga pendidikan berdasarkan usia di Sulawesi, yang dapat mendukung perencanaan dan penciptaan sumber daya manusia dari bidang pendidikan. Hasil analisis menunjukkan perbedaan distribusi usia di setiap provinsi, dengan beberapa provinsi memiliki jumlah yang signifikan pada kelompok umur tertentu.]]>
<![CDATA[PENGGUNAAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA TUMOR OTAK ]]>
<![CDATA[Abdul Jabbar]]>;
<![CDATA[Deni Mulyawan]]>;
<![CDATA[Lamanda Lintang Lestari]]>;
<![CDATA[Muhamad Aliyudin]]>
<![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 mengkaji penggunaan metode Convolutional Neural Network (CNN) dalam klasifikasi tumor otak pada citra Magnetic Resonance Imaging (MRI). Dengan fokus pada berbagai arsitektur CNN seperti AlexNet, EfficientNet-B3, serta eksperimen terkait augmentasi data dan optimasi hiperparameter, studi ini menunjukkan peningkatan signifikan dalam akurasi klasifikasi dibandingkan dengan metode tradisional. Beberapa penelitian yang disertakan menggunakan dataset MRI yang mencakup berbagai jenis tumor otak, seperti glioma, meningioma, dan pituitary. Hasilnya, model CNN terbukti efektif dalam mendeteksi dan mengklasifikasikan tumor otak dengan akurasi yang mencapai 99,7%. Selain itu, teknik augmentasi data seperti flipping, scaling, dan rotasi berhasil meningkatkan variasi data pelatihan, yang pada gilirannya mengurangi overfitting dan meningkatkan kemampuan model untuk mengenali pola dari citra baru. Penelitian ini juga mencakup perbandingan dengan metode lain seperti Artificial Neural Network (ANN) dan Support Vector Machine (SVM), di mana CNN menunjukkan kinerja superior dalam hal akurasi dan efisiensi. Dengan demikian, aplikasi CNN dalam pengolahan citra medis, khususnya dalam diagnosis tumor otak, memiliki potensi besar untuk meningkatkan akurasi diagnosis dan mendukung proses pengambilan keputusan medis secara lebih cepat dan tepat.]]>
<![CDATA[Studi Literatur Klasifikasi Penyakit Daun Dengan Deeplearning Pada Tanaman Kacang ]]>
<![CDATA[Trias Oktaviyan]]>;
<![CDATA[Andika Putra Chaeri]]>;
<![CDATA[Ilham Ibrahim]]>
<![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 daun pada tanaman kacang merupakan ancaman serius bagi produksi pertanian, mempengaruhi keberlanjutan dan ekonomi sektor ini. Deteksi dini dan pemantauan penyakit ini menjadi krusial untuk pengendalian yang efektif dan pencegahan kerugian lebih lanjut. Tradisi identifikasi penyakit melalui observasi visual memiliki keterbatasan, terutama pada skala lahan yang luas dan adanya gejala penyakit yang serupa. Kemajuan dalam kecerdasan buatan, terutama deep learning, menawarkan solusi otomatisasi yang lebih canggih. Metode deep learning, khususnya convolutional neural networks (CNN), telah menunjukkan kemampuan dalam mendeteksi dan mengklasifikasikan penyakit daun pada tanaman, termasuk kacang, dengan akurasi yang menjanjikan. Tinjauan literatur ini mengeksplorasi perkembangan metode deep learning dalam klasifikasi penyakit daun tanaman kacang, menyoroti teknik, akurasi, serta tantangan dalam implementasinya. Tinjauan ini bertujuan memberikan pemahaman komprehensif tentang teknologi ini dalam pemantauan kesehatan tanaman kacang dan mengidentifikasi peluang serta batasan dalam penggunaannya di bidang pertanian.]]>
<![CDATA[Systematic Literature Review : Klasifikasi Penyakit Menular Seksual (PMS) Menggunakan Naïve Bayes ]]>
<![CDATA[Adinda Rachma Pradiah]]>;
<![CDATA[Aisha Shinta Az-Zahra]]>;
<![CDATA[Ananda Masayu Lintang]]>;
<![CDATA[Meta Arfiola Suci]]>
<![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 mengembangkan sistem klasifikasi Penyakit Menular Seksual (PMS) menggunakan algoritma Naïve Bayes, sebuah metode pembelajaran mesin yang memanfaatkan probabilitas untuk klasifikasi. Dengan meningkatnya kasus PMS di Indonesia, diagnosis cepat dan akurat sangat penting untuk penanganan dini dan pencegahan penyebaran penyakit. Naïve Bayes dipilih karena keefektifannya dalam mengelompokkan data medis berdasarkan gejala. Penelitian ini menggunakan pendekatan Systematic Literature Review untuk meninjau penerapan algoritma ini dalam berbagai studi terkait PMS, terutama HIV/AIDS, guna memahami keunggulan, keterbatasan, serta peluang pengembangan lebih lanjut. Hasil penelitian ini memberikan gambaran yang komprehensif dan dapat mendukung pengambilan keputusan klinis yang lebih baik di kalangan praktisi kesehatan.]]>
<![CDATA[LITERATUR REVIEW : Penggunaan Support Vector Machine Untuk Klasifikasi Penyakit Tanaman Anggur ]]>
<![CDATA[Khairuz Zuhdi]]>;
<![CDATA[Bintang Syaputra]]>;
<![CDATA[Rizal Fazri]]>;
<![CDATA[Satrio Panca Nugroho]]>
<![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[Anggur atau Nama Ilmiahnya Vitis Vinifera merupakan tanaman asli dari Eropa yang saat ini banyak ditanam dan dibudidayakan di berbagai negara termasuk Indonesia. Anggur dapat dibedakan jenisnya melalui warna, bentuk, ukuran, rasa, dan daunnya. Khususnya Untuk Meningkatkan Kualitas Produksi Wine Cara Melindungi Tanaman Dari Penyakit Yang Disebabkan Oleh Jamur Dan Mikroorganisme. Umumnya Penyakit Tanaman Merambat Meliputi 4 (Empat) Jenis Penyakit Yaitu Hawar Daun, Tungau. (Tungau), Sorgum Hitam (Dark Sorgum) Dan Busuk Hitam (Dark Decay). Dalam Penelitian Ini Akan Diusulkan Menggunakan Metode Ekstraksi Struktur Jaringan Saraf Matriks Kejadian Bersama Tingkat Abu-Abu (GLCM) Untuk Klasifikasi Anggur. Information yang digunakan dalam penelitian ini berasal dari Kaggle setiap kelas berisi kumpulan information sebanyak 80. Terdapat 4 Kelas Klasifikasi yaitu Daun Sehat, Kudis Hitam, Daun Keriput dan Busuk Daun Hitam. Metode yang digunakan dalam Penelitian Ini adalah Jaringan Syaraf Tiruan dengan propagasi balik. Penggunaan Kecerdasan Buatan Untuk Proses Pengenalan Gambar Telah Banyak Digunakan Oleh Para Peneliti. Salah Satu Bidangnya Adalah Pengenalan Penyakit Daun Anggur. Demonstrate Inkremental Dilakukan Sebelum Klasifikasi Mesin Vektor Dukungan Dengan Inti Kubik, Dengan Akurasi 97,6%. Peningkatan Performa Akurasi Prediksi Gambar Melalui Show Juga Dapat Ditingkatkan Dengan Berbagai Cara. Beberapa Teknik Yang Dapat Digunakan Antara Lain: Menggunakan Pemilihan Fitur, Pra-Pemrosesan Untuk Menemukan Dan Menghilangkan Exception, Atau Memilih Algoritma Klasifikasi Yang Secara Khusus Mampu Menangani Kumpulan Information Dengan Karakteristik Tertentu. Teknik Lainnya Adalah Dengan Menjalankan Gambar Melalui Proses Ekstraksi Fitur Untuk Mendapatkan Dataset. Berkualitas Baik Yang Dapat Dilatih Untuk Mendapatkan Demonstrate Dengan Akurasi Yang Relatif Lebih Tinggi Dibandingkan Penelitian Sebelumnya.]]>
<![CDATA[Penggunaan Transfer Learning dalam Klasifikasi Kanker Prostat ]]>
<![CDATA[Dwi Santosa]]>;
<![CDATA[Ilham Fauzi]]>;
<![CDATA[Rafli Kurnia Muslim]]>;
<![CDATA[Taufiq Muhaziz]]>
<![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[Kanker prostat merupakan salah satu jenis kanker yang paling umum di kalangan pria, dengan angka kejadian yang terus meningkat. Diagnosis dini sangat penting untuk meningkatkan prognosis pasien, namun sering terhambat oleh kompleksitas analisis citra histopatologi. Penelitian ini mengeksplorasi penerapan Transfer Learning-based Multi-Scale Denoising Convolutional Neural Network (TL-MSDCNN) untuk klasifikasi citra sel prostat normal dan kanker. Model ini dirancang untuk meningkatkan kualitas citra melalui penekanan noise dan memanfaatkan data dari berbagai sumber untuk meningkatkan akurasi diagnosis. Hasil penelitian menunjukkan bahwa TL-MSDCNN meningkatkan akurasi lebih dari 10% dibandingkan metode sebelumnya, serta menunjukkan peningkatan signifikan dalam sensitivitas dan spesifisitas deteksi. Selain itu, penggunaan AI dapat mengurangi variabilitas dalam diagnosis dan mempercepat analisis citra, menghasilkan proses diagnosis yang lebih konsisten. Temuan ini menegaskan potensi besar teknologi pembelajaran mesin dalam meningkatkan hasil perawatan pasien kanker prostat dan kualitas hidup mereka.]]>
<![CDATA[LITERATURE REVIEW: Penggunaan Support Vector Machine (SVM) untuk Klasifikasi Penyakit Lambung ]]>
<![CDATA[Andri Gugun]]>;
<![CDATA[Bayu Raihan Sanjaya]]>;
<![CDATA[Farel Rahmadani]]>;
<![CDATA[Julius Caesar Key]]>
<![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 mengkaji penggunaan metode Support Vector Machine (SVM) untuk klasifikasi penyakit lambung melalui studi literature review dari lima jurnal terkait. Penyakit lambung merupakan masalah kesehatan yang serius dan membutuhkan metode klasifikasi yang akurat untuk diagnosis dan perawatan yang efektif. Metode SVM dipilih karena keandalannya dalam menangani dataset dengan dimensi tinggi dan kemampuannya menghasilkan klasifikasi yang akurat. Penelitian ini bertujuan untuk membandingkan efektivitas SVM dengan metode klasifikasi lainnya yang biasa digunakan dalam diagnosa penyakit lambung. Hasil dari studi literature review menunjukkan bahwa SVM memiliki tingkat akurasi yang tinggi dan dapat memberikan hasil yang lebih baik dibandingkan metode lain seperti Decision Tree dan Random Forest. Dengan demikian, penelitian ini memberikan panduan bagi praktisi medis dalam memilih metode yang tepat untuk diagnosis penyakit lambung serta berkontribusi pada pengembangan metode diagnosis yang lebih baik dan efisien.]]>
<![CDATA[Literature Review : Penerapan Algoritma Random Forest untuk Klasifikasi Penyakit Diabetes ]]>
<![CDATA[Rian Maulana]]>;
<![CDATA[Moh Fachri Hasan]]>;
<![CDATA[Farriz Raehan]]>;
<![CDATA[Muhammad Ramzy]]>
<![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 adalah penyakit kronis yang berdampak signifikan pada kesehatan global, ditandai dengan peningkatan kadar gula darah akibat gangguan insulin. Deteksi dini dan klasifikasi yang akurat sangat penting untuk mendukung diagnosis dan penanganan diabetes. Penelitian ini bertujuan mengevaluasi algoritma Random Forest (RF), yang telah terbukti efektif dalam klasifikasi data medis, khususnya untuk deteksi diabetes. Algoritma RF bekerja melalui metode pembelajaran kelompok, menggabungkan berbagai pohon keputusan untuk menghasilkan prediksi yang lebih akurat. Dengan menggunakan pendekatan rapid review, studi ini meninjau literatur yang relevan guna memahami efektivitas RF dalam klasifikasi diabetes. Hasil analisis menunjukkan bahwa RF mencapai akurasi tinggi hingga 98% dengan metode evaluasi Area Under Curve (AUC) mencapai 100%, yang menunjukkan kemampuan klasifikasi yang sangat baik. Selain itu, penerapan normalisasi data, khususnya min-max normalization, meningkatkan performa model. Meskipun memiliki beberapa keterbatasan, seperti kompleksitas dan keterbatasan interpretasi, RF menunjukkan potensi signifikan dalam pengembangan sistem deteksi dini berbasis web untuk diabetes, serta potensi aplikasi lebih lanjut dalam klasifikasi penyakit lainnya.]]>
<![CDATA[PENERAPAN NAÏVE BAYES UNTUK KLASIFIKASI PENYAKIT ENDOKRIN PADA PASIEN LANSIA ]]>
<![CDATA[Elang Adiyansyah]]>;
<![CDATA[Marsella Waty]]>;
<![CDATA[Muhamad Abil Arafli]]>;
<![CDATA[Rifaldo Agustian]]>;
<![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[Sistem endokrin berperan penting dalam menjaga keseimbangan fungsi tubuh manusia melalui hormon yang mengatur berbagai aktivitas vital, seperti metabolisme, pertumbuhan, dan respon terhadap stres. Salah satu gangguan utama pada sistem ini adalah diabetes, yang prevalensinya terus meningkat, terutama di kalangan lansia. Penelitian ini bertujuan untuk menerapkan algoritma Naïve Bayes dalam klasifikasi penyakit endokrin, dengan fokus pada deteksi dini diabetes pada pasien lanjut usia. Algoritma Naïve Bayes dipilih karena kemampuannya yang andal dalam menganalisis variabel independen secara probabilistik, sehingga dapat mendukung proses diagnosis awal secara efisien sebelum pasien dirujuk ke dokter spesialis. Melalui kajian literatur sistematis, ditemukan bahwa metode ini berpotensi membantu tenaga medis dalam meningkatkan akurasi dan efisiensi skrining penyakit, sekaligus mengurangi waktu tunggu rujukan medis. Meskipun demikian, keberhasilan penerapannya memerlukan data pasien yang lengkap dan akurat. Penelitian ini memberikan kontribusi dalam mendukung pelayanan kesehatan yang lebih cepat dan efektif bagi lansia, serta diharapkan dapat meningkatkan kualitas hidup mereka dengan deteksi dini dan penanganan yang lebih baik.]]>
<![CDATA[Literatur Review: Pendekatan Random Forest Untuk Klasifikasi Penyakit Busuk Akar Pada Tanaman ]]>
<![CDATA[Anggio Marsoni]]>;
<![CDATA[Adji Muhammad Pramudita]]>;
<![CDATA[Fakhri Muzakki]]>;
<![CDATA[Ezra Musa Robo]]>
<![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 mengevaluasi efektivitas teknologi machine learning, khususnya metode Random Forest, dalam klasifikasi penyakit busuk akar pada tanaman. Penyakit busuk akar merupakan salah satu penyakit tanaman yang dapat berdampak besar terhadap hasil panen jika tidak dikenali dan ditangani sejak dini. Dengan penerapan machine learning, diharapkan dapat memberikan solusi yang cepat dan akurat dalam mendeteksi penyakit ini. Metodologi penelitian yang digunakan adalah Studi Literatur Kualitatif Deskriptif, yang melibatkan pengumpulan data sekunder dari berbagai jurnal, artikel ilmiah, dan laporan penelitian terkait. Penelitian ini juga mencakup analisis terhadap literatur yang membahas teknik Random Forest dalam klasifikasi penyakit tanaman, khususnya pada penyakit busuk akar. Hasil analisis menunjukkan bahwa metode Random Forest memiliki akurasi yang tinggi dalam mengklasifikasikan penyakit busuk akar. Penelitian sebelumnya menunjukkan bahwa Random Forest efektif dalam mengidentifikasi dan mengukur tingkat keparahan penyakit pada tanaman kelapa sawit dan daun apel. Selain itu, penelitian lainnya mengungkapkan bahwa kombinasi Random Forest dengan algoritma lain seperti Adaboost dapat meningkatkan akurasi klasifikasi dan mengurangi masalah overfitting. Penggunaan metode K-Means dan Otsu dalam segmentasi citra tanaman obat juga terbukti meningkatkan akurasi identifikasi tanaman. Secara keseluruhan, penelitian ini memberikan bukti empiris mengenai efektivitas metode Random Forest dalam klasifikasi penyakit busuk akar pada tanaman dan merekomendasikan penggunaan kombinasi algoritma dan teknik preprocessing data untuk meningkatkan kinerja model machine learning dalam aplikasi pertanian.]]>
