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[Distribusi Kepala Sekolah dan Guru Berdasarkan Kelompok Umur di Provinsi Sulawesi Utara, Sulawesi Tengah, Bengkulu, dan Nusa Tenggara Timur Tahun Ajaran 2023/2024 untuk Sekolah Dasar ]]>
<![CDATA[Ubaydilah]]>;
<![CDATA[Ilham Ahsan Saputra]]>;
<![CDATA[Muhammad Firzi Sulaeman]]>;
<![CDATA[Muhammad Rizqi Ramdhan]]>
<![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[Studi ini menyajikan analisis distribusi usia kepala sekolah dan guru pada jenjang Sekolah Dasar (SD) di empat provinsi, yaitu Sulawesi Utara, Sulawesi Tengah, Bengkulu, dan Nusa Tenggara Timur, untuk tahun ajaran 2023/2024. Dengan melihat persebaran usia tenaga pendidik di setiap provinsi, penelitian ini bertujuan memberikan pemahaman mendalam mengenai proporsi usia tenaga pendidik, dari usia muda hingga menjelang pensiun. Temuan yang diperoleh dari data ini penting dalam perencanaan pengelolaan sumber daya manusia, terutama dalam persiapan regenerasi tenaga pendidik. Hasil analisis ini juga memungkinkan perbandingan antarprovinsi untuk menentukan area yang perlu perhatian lebih dalam hal perekrutan dan pengembangan tenaga pendidik, menyesuaikan dengan karakteristik kelompok umur di setiap wilayah.]]>
<![CDATA[Optimasi Prediksi Penyakit Paru-Paru dan Kanker Paru melalui Integrasi Algoritma Random Forest ]]>
<![CDATA[Ari Sandika]]>;
<![CDATA[Fajar Restu Ramadhan]]>;
<![CDATA[Ichsan Nul Iman]]>;
<![CDATA[Jiar Jihad]]>
<![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 paru-paru dan kanker paru merupakan dua masalah kesehatan utama yang signifikan di Indonesia, dengan tingkat morbiditas dan mortalitas yang tinggi. Penelitian ini bertujuan untuk mengoptimalkan prediksi penyakit paru-paru dan kanker paru melalui penerapan algoritma Random Forest yang diintegrasikan dengan teknik optimasi fitur. Data yang digunakan meliputi informasi demografi, gejala klinis, serta faktor gaya hidup seperti kebiasaan merokok dan riwayat aktivitas fisik. Penelitian ini dilaksanakan dalam dua tahapan: pertama, pengujian model Random Forest tanpa optimasi fitur, dan kedua, penerapan optimasi fitur menggunakan teknik Forward Selection. Hasil pengujian awal menunjukkan bahwa model Random Forest tanpa optimasi mencapai akurasi sebesar 88,74%, dengan presisi 81,50%, dan recall 98,25%. Setelah optimasi fitur, akurasi meningkat menjadi 91,32%, dengan presisi 94,50%, dan recall 89,80%. Penelitian ini juga mengidentifikasi faktor-faktor paling signifikan dalam prediksi penyakit paru-paru dan kanker paru, seperti usia, kebiasaan merokok, dan tingkat aktivitas fisik. Temuan ini menegaskan bahwa integrasi algoritma Random Forest dengan optimasi fitur dapat meningkatkan akurasi prediksi secara signifikan, yang pada gilirannya dapat mendukung deteksi dini dan pengelolaan penyakit paru-paru dan kanker paru dengan lebih efektif.]]>
<![CDATA[Study Literatur Review: Penggunaan Deep Neural Networks untuk Deteksi Dini Alzheimer dari Data MRI ]]>
<![CDATA[Alif Alfatah]]>;
<![CDATA[Wildan Salam]]>;
<![CDATA[Samuel Valentino Rattu]]>;
<![CDATA[Rossa Amalia Monitha Januari]]>;
<![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 Alzheimer adalah bentuk demensia progresif yang secara signifikan memengaruhi kualitas hidup penderitanya. Deteksi dini penyakit ini menjadi penting untuk memungkinkan intervensi lebih awal dan memperlambat perkembangan penyakit. Studi literatur ini bertujuan untuk meninjau penggunaan Deep Neural Networks (DNN) dalam mendeteksi Alzheimer secara dini melalui analisis data Magnetic Resonance Imaging (MRI). Penelitian menunjukkan bahwa pendekatan berbasis DNN, terutama Convolutional Neural Networks (CNN), telah terbukti mampu mengidentifikasi perubahan struktural pada otak yang terkait dengan Alzheimer dengan akurasi yang tinggi. Model-model seperti VGG16 dan pendekatan multimodal yang menggabungkan data MRI dengan jenis data lain seperti PET memberikan hasil yang menjanjikan. Meskipun tantangan seperti kebutuhan dataset besar dan validasi klinis masih ada, teknologi DNN menunjukkan potensi besar untuk mendukung sistem diagnostik otomatis dan efisien untuk Alzheimer.]]>
<![CDATA[Pendekatan Random Forest untuk Deteksi Penyakit pada Tanaman Buah ]]>
<![CDATA[Adrian Dwi Ramadhani]]>;
<![CDATA[Fajar Alvi Rizki]]>;
<![CDATA[Muhamad Ripqi Alamsyah]]>;
<![CDATA[Siti Badriah]]>;
<![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 daun merupakan salah satu kendala utama dalam budidaya mangga. Deteksi dini penyakit sangat penting untuk mencegah kerugian produksi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit daun manga menggunakan algoritma Random Forest. Dataset gambar daun manga yang sehat dan terinfeksi oleh beberapa jenis penyakit yang dikumpulkan dan diproses untuk ekstraksi fitur. Fitur-fitur yang relevan, seperti bentuk, tekstur dan warna digunakan untuk, melatih model Random Forest. Hasil evaluasi menunjukan bahwa model mampu mengklasifikasikan penyakit dengan akurasi sebesar 85%. Penelitian ini membuktikan bahwa Random Forest dapat menjadi alat bantu yang efektif dalam diagnosis penyakit daun manga secara otomatis, sehingga dapat mendukung upaya pengendalian penyakit dan meningkatkan produktivitas pertanian.]]>
<![CDATA[Literature Review: Klasifikasi Penyakit Paru-Paru Obstruktif Kronik Menggunakan Algoritma SVM ]]>
<![CDATA[Idham Nursyifa Hadiansyah]]>;
<![CDATA[Muhammad Ayub Yunus]]>;
<![CDATA[Rahmat Hidayat]]>;
<![CDATA[Rahmat Ramdani]]>;
<![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[Ulasan literatur ini membahas tentang cara sistem pakar mengelompokkan penyakit paru-paru obstruktif kronik dengan menggunakan teknik Support Vector Machine. SVM adalah salah satu metode yang sering digunakan untuk mengklasifikasikan dan melakukan regresi. Penelitian ini bertujuan untuk mengevaluasi keefektifan penggunaan metode SVM dalam sistem pakar untuk mengidentifikasi penyakit paru paru obstruktif kronik. Penyakit Paru-Paru Obstruktif Kronik adalah penyakit jangka panjang yang memengaruhi sistem pernapasan dan biasanya menyebabkan pasien mengalami penurunan kualitas hidup. Deteksi penyakit sejak awal dan klasifikasi yang tepat sangat penting untuk menentukan pengobatan yang sesuai. Penelitian ini ingin membuat sistem untuk mengelompokkan Penyakit Paru-Paru Obstruktif Kronik dengan menggunakan algoritma Support Vector Machine (SVM). Algoritma ini adalah jenis program komputer yang bisa belajar dari data dan digunakan untuk mengelompokkan data berdasarkan pola yang ada. Data yang digunakan berasal dari pasien yang memiliki riwayat Penyakit Paru-Paru Obstruktif Kronik. Data tersebut terdiri dari berbagai informasi klinis seperti kapasitas paru-paru, riwayat merokok, usia, dan hasil tes fungsi paru. Pengolahan data melibatkan praproses data untuk mengatasi data yang hilang dan normalisasi untuk meningkatkan akurasi model. Hasil eksperimen menunjukkan bahwa algoritma SVM memiliki tingkat ketepatan yang tinggi dalam mengidentifikasi pasien yang menderita Penyakit Paru-Paru Obstruktif Kronik dari pasien yang sehat, serta dalam menilai tingkat keparahan penyakit. Oleh karena itu, algoritma SVM bisa dijadikan pilihan yang efektif dalam membantu diagnosis dan pengambilan keputusan klinis terkait Penyakit Paru-Paru Obstruktif Kronik.]]>
<![CDATA[Klasifikasi Penyakit Paru-Paru Berbasis Pengolahan Citra X-Ray Menggunakan Convolutional Neural Network ]]>
<![CDATA[Rosyani, Perani]]>;
<![CDATA[Abrar Sachio Rizqi Susilo Effendy]]>;
<![CDATA[Muhammad Alfin Gio Abidin]]>;
<![CDATA[Rafly Ramandha Kusuma]]>;
<![CDATA[Rizki Waluya Ramadhan]]>
<![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 paru-paru merupakan salah satu penyakit dengan tingkat kematian tertinggi di dunia yang menempati posisi ketiga. Mengingat pentingnya fungsi paru-paru sebagai organ utama pernapasan, menjaga kesehatan paru-paru menjadi hal yang sangat penting. Oleh karena itu, diperlukan sistem yang mampu mendiagnosis penyakit paru-paru dengan cepat dan akurat. Penelitian ini menggunakan metode Convolutional Neural Network (CNN) untuk mendiagnosis penyakit tersebut melalui analisis citra X-ray. Dengan menggunakan gejala-gejala yang dialami pasien sebagai data input, metode CNN dapat mengidentifikasi jenis penyakit seperti influenza, bronkitis, asma, TB/TBC, PPOK, dan pneumonia. Hasil penelitian yang menunjukkan sistem berbasis CNN ini mampu meningkatkan akurasi dalam menganalisis citra X-ray serta dapat membantu masyarakat untuk mendapatkan diagnosis dini terkait penyakit paru-paru. Sistem ini diharapkan dapat mempermudah tenaga medis dalam proses mengidentifikasi dan memberikan penanganan yang lebih efektif kepada pasien.]]>
<![CDATA[Literature Review: Penggunaan Support Vector Machine Untuk Klasifikasi Penyakit Lambung ]]>
<![CDATA[Maulana Riza Fachramdhan]]>;
<![CDATA[Muhammad Fathan Adipati]]>;
<![CDATA[Naufal Muzaki]]>;
<![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[Studi ini meneliti penggunaan Support Vector Machine (SVM) dalam klasifikasi penyakit lambung. SVM merupakan metode pembelajaran mesin yang banyak digunakan dalam pemrosesan data medis karena kemampuannya untuk mengklasifikasikan data kompleks dengan akurat. Dengan metode ini, berbagai penyakit lambung dapat diklasifikasikan dengan lebih tepat dibandingkan metode lainnya. Tinjauan literatur ini membahas studi-studi terkait penerapan SVM dalam mendiagnosis penyakit lambung, faktor-faktor yang mempengaruhi akurasi model, serta tantangan implementasinya di bidang medis. Tinjauan ini bertujuan untuk memberikan wawasan mendalam bagi peneliti dalam mengembangkan aplikasi SVM yang lebih efisien dan akurat dalam diagnosis penyakit lambung.]]>
<![CDATA[Klasifikasi Penyakit Autoimun dengan Algoritma K-Nearest Neighbors ]]>
<![CDATA[Santi Rahayu]]>;
<![CDATA[Ardhie Firdaus]]>;
<![CDATA[Ilham Ramdhani]]>;
<![CDATA[Muhammad Raffi Hermawan]]>;
<![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 autoimun mewakili kategori kondisi medis yang ditandai dengan respon imun yang menyimpang yang menargetkan jaringan sehat, berpotensi mengakibatkan kerusakan organ dan fungsi fisiologis yang terganggu. Diagnosis yang akurat dan tepat waktu sangat penting untuk manajemen penyakit ini secara efektif. Tujuan dari penelitian ini adalah untuk menyelidiki penerapan algoritma K-Nearest Neighbors (KNN) untuk klasifikasi penyakit autoimun menggunakan data klinis dan gejala yang dilaporkan pasien. Algoritma KNN, yang dikenal karena keterusterangan dan kemanjurannya dalam tugas klasifikasi, beroperasi dengan menentukan tetangga terdekat 'k' ke titik data yang dimaksud dan menetapkan label kelas sesuai dengan label dominan di antara tetangga tersebut. Investigasi ini mencakup berbagai metodologi termasuk akuisisi data, pra-pemrosesan, penyebaran kumpulan data, pemilihan nilai-k, pelatihan model, dan evaluasi hasil melalui metrik seperti akurasi dan presisi. Temuan menunjukkan bahwa algoritma KNN dapat mencapai tingkat akurasi yang tinggi dalam membedakan berbagai jenis penyakit autoimun; Namun, pemilihan nilai-k optimal secara signifikan mempengaruhi kinerja model. Akibatnya, pemanfaatan algoritma KNN muncul sebagai pendekatan yang menjanjikan untuk meningkatkan proses diagnostik untuk penyakit autoimun dan memfasilitasi strategi manajemen pasien yang lebih baik.]]>
<![CDATA[Pendekatan Naïve Bayes Untuk Klasifikasi Penyakit Tanaman Kentang ]]>
<![CDATA[Ari Febri Saputra]]>;
<![CDATA[Hafidz Fadillah]]>;
<![CDATA[Adhi Pramana Suwarno]]>;
<![CDATA[Marcelo Luciano]]>;
<![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 bertujuan untuk mengeksplorasi penerapan pendekatan Naïve Bayes dalam klasifikasi penyakit pada tanaman kentang. Tanaman kentang, yang merupakan salah satu komoditas pangan utama di dataran tinggi Indonesia, sering kali terancam oleh penyakit seperti busuk daun dan bercak kering. Dengan memanfaatkan algoritma pembelajaran mesin Naïve Bayes yang sederhana dan efisien, penelitian ini berupaya untuk meningkatkan efektivitas dalam mendeteksi penyakit pada tanaman kentang. Algoritma ini menggunakan prinsip probabilitas untuk melakukan klasifikasi dengan cepat, menjadikannya alat yang ideal untuk aplikasi di lapangan dengan keterbatasan waktu dan sumber daya. Hasil penelitian menunjukkan bahwa Naïve Bayes dapat mencapai tingkat akurasi yang memuaskan, serta memberikan presisi dan recall yang tinggi. Diharapkan, sistem pendukung keputusan yang dihasilkan dari penelitian ini dapat membantu petani dalam mengidentifikasi dan menangani penyakit dengan lebih tepat, sehingga berkontribusi pada peningkatan produktivitas pertanian dan ketahanan pangan. serta memberikan pemahaman yang lebih mendalam mengenai efektivitas Naïve Bayes dalam konteks pengelolaan kesehatan tanaman kentang.]]>
<![CDATA[Analisis Klasifikasi Penyakit Katarak Menggunakan Deep Learning ]]>
<![CDATA[Aditya Tri Ramadan]]>;
<![CDATA[Gilang Saputra]]>;
<![CDATA[Mohamad Fadil Adha]]>;
<![CDATA[Rafli Eka Kurniawan]]>;
<![CDATA[Perani Rosyani]]>
<![CDATA[ Buletin Ilmiah Ilmu Komputer dan Multimedia Vol 2 No 4 (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 Katarak adalah suatu kondisi dimana lensa mata menjadi agak sedikit kabur/keruh, sehingga dapat mengganggu penglihatan. Dalam keadaan yang normal, lensa mata yang memungkinkan cahaya dapat masuk dengan cukup baik ke mata dan memfokuskan cahaya pada retina, sehingga dapat menghasilkan gambar yang lebih tajam. Akan tetapi jika terjadi katarak, cahaya akan sulit menembus lensa mata yang membuat penglihatan menjadi kabur atau berbayang. Deep Learning adalah salah satu metode dalam kecerdasan buatan yang menggunakan arsitektur jaringan neural untuk men pola dalam data kompleks, seperti gambar, suara, dan teks. Lalu sehubungan dengan judul kami, dimana “ANALISIS KLASIFIKASI PENYAKIT KATARAK MENGGUNAKAN DEEP LEARNING”, kenapa kami mencoba mengklasifikasi penyakit katarak menggunakan deep learning ? karena dengan menggunakan deep learning kami akan dapat lebih mudah mengenali pola-pola kompleks yang sulit diidentifikasi secara manual.]]>
