cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Yusmaniarti
Contact Email
yusmaniarti8@gmail.com
Phone
+6281368411554
Journal Mail Official
rsit.ppmi@gmail.com
Editorial Address
Kota Palembang
Location
Kota palembang,
Sumatera selatan
INDONESIA
Jurnal Rekayasa Sistem Informasi dan Teknologi
Published by Yayasan Nuraini Ibrahim Mandiri
ISSN : -     EISSN : 3025888X     DOI : https://doi.org/10.59407/jrsit.v1i2
Core Subject : Science,
Computer Science & IT Decision Sciences, Operations Research & Management
Jurnal Rekayasa Sistem Informasi dan Teknologi (JRSIT) adalah jurnal nasional sebagai media kajian ilmiah hasil penelitian, pemikiran, dan kajian kritis-analitik mengenai penelitian di bidang ilmu dan teknologi komputer, termasuk Teknik Sistem, Teknik Informatika, Teknologi Informasi, Informatika Manajemen, dan Sistem Informasi. Jurnal Rekayasa Sistem Informasi dan Teknologi (JRSIT) diterbitkan oleh Yayasan Nuraini Ibrahim Mandiri. Dipublikasikan 4 edisi setiap tahun yaitu : Febuari, Mei, Agustus, November. Semua penerimaan naskah akan diproses secara double blind review oleh mitra bestari. Naskah harus dimasukkan dalam BAHASA INDONESIA atau BAHASA INGGRIS. e-ISSN : 3025-888X. DOI Prefix : 10.59407
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 189 Documents
 15   16   17   18   19 
PENERAPAN MODEL INDOBERT UNTUK DETEKSI POTENSI SUMBER STRES DALAM TEKS MEDIA SOSIAL MAHDI FAZA, M.SIROJUDIN; MOCH. TAUFIK
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 3 No. 1 (2025): Agustus
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v3i1.3046

Abstract

Media sosial, khususnya Twitter, sering dimanfaatkan pengguna untuk mengekspresikan pengalaman yang berpotensi mengandung ungkapan stres. Penelitian ini bertujuan mengimplementasikan model IndoBERT dalam mengklasifikasikan potensi sumber stres pada teks berbahasa Indonesia. Data dikumpulkan melalui scraping Twitter dan diproses melalui normalisasi, pembersihan, serta tokenisasi sebelum diberi label ke dalam lima kategori: akademik, hubungan, kesehatan, pekerjaan, dan keuangan. Model dilatih menggunakan pendekatan supervised learning dengan fine-tuning, sedangkan evaluasi dilakukan menggunakan precision, recall, dan F1-score. Hasil pengujian menunjukkan kinerja sangat baik dengan rata-rata precision 0.9748, recall 0.9742, dan F1-score 0.9731. Temuan ini membuktikan bahwa IndoBERT efektif digunakan untuk deteksi potensi sumber stres pada media sosial dan berkontribusi terhadap pengembangan NLP untuk kesehatan mental digital.
Penerapan Algoritma Naive Bayes Untuk Klasifikasi Kualitas Pemain Sepak Bola Berdasarkan Data Statistik Pertandingan: klasifikasi, kualitas pemain, naïve bayes, sepak bola, statistik pertandingan Wicaksono, Ivan Suryo; Mustafa
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 3 No. 2 (2025): November
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v3i2.3036

Abstract

Sepak bola merupakan olahraga yang semakin berkembang tidak hanya dalam hal permainan, tetapi juga dalam pemanfaatan teknologi untuk menganalisis performa pemain. Dengan sistem berbasis web menggunakan Streamlit, aplikasi ini diharapkan dapat mempermudah manajer tim dalam melakukan seleksi dan pemantauan kualitas pemain secara efisien dan objektif.  Penelitian ini bertujuan untuk mengklasifikasikan kualitas pemain sepak bola ke dalam kategori meningkat atau menurun berdasarkan data statistik pertandingan menggunakan algoritma Naïve Bayes. Data yang digunakan diperoleh dari platform Transfermarkt, mencakup variabel seperti jumlah gol, assist, kartu kuning, kartu merah, dan jumlah pertandingan. Dengan data historis sebanyak 1.343 entri(1.098 data latih, 274 data uji), model ini menghasilkan prediksi kategori Meningkat(456) dan kategori Menurun (642), dengan akurasi sebesar 91%, presisi 91%, recall 91%, f1-score 91% yang menunjukkan efektivitas algoritma ini dalam mendukung pengambilan keputusan berbasis data bagi klub dan pelatih.    
ANALISIS KEAMANAN JARINGAN WIRELESS PADA SMK ISLAM MANBA’UL ULUM MENGGUNAKAN PENDEKATAN PENETRATION TESTING Sari, Ika Mayang; Samsumar, Lalu Delsi; Zulpahmi, M.
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 3 No. 2 (2025): November
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v3i2.3068

Abstract

Perkembangan teknologi informasi mendorong pemanfaatan jaringan nirkabel dalam kegiatan pendidikan. Penelitian ini bertujuan menganalisis keamanan jaringan wireless di SMK Islam Manba’ul Ulum yang menggunakan protokol WPA2. Metode yang digunakan adalah penetration testing berbasis Kali Linux melalui simulasi serangan Handshake Capture dan WPA2 Cracking untuk menguji autentikasi, Deauthentication Attack untuk menguji kestabilan koneksi, serta Man-in-the-Middle (MiTM) Attack untuk menguji kerahasiaan data, dengan bantuan tools Aircrack-ng, Aireplay-ng, Airodump-ng, Bettercap, dan Wireshark. Hasil penelitian menunjukkan seluruh simulasi serangan berhasil dilakukan, meliputi peretasan kata sandi Wi-Fi, pemutusan koneksi pengguna, dan penyadapan data komunikasi, sehingga membuktikan jaringan masih rentan terhadap ancaman keamanan.
IMPLEMENTASI METODE LSTM DAN RNN UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN BATANG Alif Hakim Al Faruq; Ahmad Tri Yulianto
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 3 No. 2 (2025): November
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v3i2.3111

Abstract

Increased intensity of extreme rainfall due to climate change has made Batang Regency prone to hydrometeorological disasters. This study aims to develop an hourly rainfall prediction model using Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) based on historical data from the Indonesian Meteorological, Climatological, and Geophysical Agency (BMKG). The model was evaluated using the Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) metrics. The results showed that LSTM had higher accuracy than RNN, with an MAE value of 0.0395 and an RMSE value of 0.0665. Meanwhile, RNN obtained an MAE value of 0.0439 and an RMSE of 0.0695. LSTM was also more stable in predicting temperature, wind direction, and wind speed variables. These findings indicate that LSTM is more effective for weather time series data and can be used as a basis for developing data-based early warning systems for disasters in local areas.
IMPLEMENTASI METODE TRANSFER LEARNING UNTUK KLASIFIKASI MALARIA MENGGUNAKAN RESNET-50 Rohman, Andhi; Subroto, Imam Much Ibnu
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 3 No. 2 (2025): November
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v3i2.3138

Abstract

Malaria merupakan penyakit menular yang disebabkan oleh parasit Plasmodium dan masih menjadi masalah kesehatan serius di Indonesia, khususnya di wilayah timur. Diagnosis malaria yang cepat dan akurat sangat penting untuk mencegah komplikasi serta memutus rantai penularan. Penelitian ini bertujuan untuk mengimplementasikan metode transfer learning menggunakan arsitektur Convolutional Neural Network (CNN) ResNet-50 dalam mendeteksi sel darah yang terinfeksi malaria pada citra mikroskopis. Dataset yang digunakan terdiri dari dua kelas, yaitu Parasitized (terinfeksi) dan Uninfected (tidak terinfeksi). Tahapan penelitian meliputi preprocessing data, augmentasi citra, pemanfaatan model pretrained ResNet-50, penambahan lapisan klasifikasi, pelatihan model, serta evaluasi performa menggunakan metrik akurasi, presisi, recall, F1-score, dan AUC. Hasil penelitian menunjukkan bahwa model ResNet-50 mencapai akurasi sebesar 93,00%, dengan presisi 96,00%, recall 97,00%, F1-score 93,00%, dan AUC 98,00%. Dengan performa tersebut, pendekatan ini berpotensi menjadi solusi pendukung diagnosis malaria yang cepat, objektif, dan efisien, serta dapat diintegrasikan dalam sistem skrining laboratorium dan mendukung pengambilan keputusan medis berbasis kecerdasan buatan.
PREDIKSI KECEPATAN RATA-RATA BERSEPEDA BERDASARKAN KONDISI TOPOGRAFI DAN FAKTOR CUACA MENGGUNAKAN XGBOOST DARI DATA STRAVA Rifqy Ramdhani Hakim; Sam Farisa Chaerul Haviana
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 3 No. 2 (2025): November
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v3i2.3143

Abstract

Meningkatnya minat bersepeda dan penggunaan aplikasi perekam data seperti Strava menuntut pemahaman mendalam mengenai faktor yang memengaruhi performa. Kecepatan rata-rata sangat dipengaruhi oleh variabel non-linear seperti kondisi topografi dan cuaca, sehingga memerlukan model prediksi yang akurat. Tujuan penelitian ini adalah mengimplementasikan Extreme Gradient Boosting (XGBoost) untuk membangun model prediksi kecepatan rata-rata bersepeda. Penelitian berfokus memodelkan hubungan antara data historis aktivitas Strava dengan variabel lingkungan. Metode penelitian dimulai dari pengumpulan data aktivitas pribadi (Juni 2024 - Agustus 2025) , mencakup fitur jarak, elevasi, cuaca, dan waktu tidur. Data mentah melalui pra-pemrosesan, termasuk normalisasi Min-Max Scaler. Data dibagi menjadi 80% data latih dan 20% data uji. Model XGBRegressor dilatih dengan hyperparameter seperti n_estimators=300 dan learning_rate=0.2. Kinerja model dievaluasi menggunakan Root Mean Squared Error (RMSE) dan R-squared (R²). Hasilnya, model XGBoost mampu memberikan estimasi kecepatan dengan akurasi cukup baik. Model mencapai skor RMSE 1.240 km/jam , yang mengindikasikan rata-rata kesalahan prediksi. Selain itu, model memperoleh nilai R² sebesar 0.800. Nilai R² ini berarti model mampu menjelaskan 80% variasi data kecepatan. Kesimpulannya, model XGBoost terbukti representatif
PENERAPAN METODE END-USER COMPUTING SATISFACTION UNTUK MENGANALISIS KEPUASAN PENGGUNA TERHADAP APLIKASI DETEKSI PENYAKIT TANAMAN CABAI Fadil Mursyid; Muh. Ibnu Umar Nu'sam; Irnawati, Irnawati; Muhammad Rifki Adiyatma; Ajeng Purwati Ningtyas
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 3 No. 2 (2025): November
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v3i2.3156

Abstract

Penelitian ini bertujuan untuk menganalisis tingkat kepuasan pengguna terhadap aplikasi deteksi penyakit tanaman cabai berbasis machine learning menggunakan metode End-User Computing Satisfaction (EUCS). Metode penelitian yang digunakan adalah pendekatan kuantitatif deskriptif dengan pengumpulan data melalui kuesioner daring kepada 100 responden yang telah menggunakan aplikasi. Pengukuran kepuasan pengguna dilakukan berdasarkan lima dimensi EUCS, yaitu content, accuracy, format, ease of use, dan timeliness. Analisis data dilakukan menggunakan perangkat lunak SmartPLS 4 melalui uji validitas, reliabilitas, dan analisis deskriptif. Hasil penelitian menunjukkan bahwa hanya dua dimensi yang berpengaruh signifikan terhadap kepuasan pengguna, yaitu accuracy dan ease of use, dengan nilai rata-rata masing-masing sebesar 4,19 dan 4,41, yang keduanya berada pada kategori “setuju.” Hal ini menunjukkan bahwa pengguna merasa puas terhadap tingkat akurasi hasil deteksi dan kemudahan penggunaan aplikasi. Simpulan dari penelitian ini adalah bahwa aplikasi deteksi penyakit tanaman cabai telah memenuhi kebutuhan pengguna dalam hal ketepatan hasil dan kemudahan interaksi, serta berpotensi dikembangkan lebih lanjut sebagai solusi digital bagi petani dalam identifikasi penyakit tanaman secara cepat dan efisien.
SISTEM PAKAR MENGIDENTIFIKASIKERUSAKAN MOTOR HONDA BEATDENGAN METODE CERTAINTY FACTORPADA BENGKEL RONI MOTOR Lukas Arief Prasetyo; Imam Himawan; Redo Abeputra Sihombing
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 3 No. 2 (2025): November
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v3i2.3188

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem pakar diagnosis kerusakan motor Honda Beat berbasis web menggunakan metode Certainty Factor sebagai solusi untuk membantu pengguna dalam mengidentifikasi kerusakan secara cepat dan akurat. Metode penelitian yang digunakan adalah Research and Development dengan model pengembangan sistem Waterfall, meliputi analisis kebutuhan, desain basis pengetahuan, implementasi sistem, serta pengujian akurasi dan fungsionalitas. Hasil penelitian menunjukkan bahwa sistem pakar yang dibangun mampu mendiagnosis empat belas jenis kerusakan dengan akurasi sebesar 86,67% berdasarkan pengujian terhadap tiga puluh kasus nyata, serta seluruh fitur sistem berhasil berjalan 100% sesuai spesifikasi melalui pengujian black box. Simpulan dari penelitian ini adalah bahwa sistem pakar berbasis Certainty Factor efektif dalam menangani ketidakpastian gejala, memberikan tingkat kepastian diagnosis yang jelas, dan mampu meningkatkan efisiensi proses diagnosis di bengkel maupun bagi pengguna awam.  
Implementasi Model BERT dalam Deteksi Ulasan Palsu Pada Platform TikTok Shop Produk Fashion Najma Nora Agustina; Sam Farisa Chaerul Haviana
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 3 No. 2 (2025): November
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v3i2.3202

Abstract

Penelitian ini bertujuan untuk mengimplementasikan model Bidirectional Encoder Representations from Transformers (BERT) dalam mendeteksi ulasan palsu pada produk fashion di platform TikTok Shop berbasis bahasa Indonesia. Metode penelitian ini menggunakan pendekatan machine learning dengan model BERT yang dilatih melalui tahapan data scraping, preprocessing (meliputi lowercasing, penghapusan karakter non-alfabet dan emoji, serta tokenisasi), pembagian dataset menjadi training set (64%), validation set (16%), dan test set (20%), serta proses pelatihan model menggunakan PyTorch. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model BERT mencapai performa terbaik pada epoch ke-40 dengan validation accuracy sebesar 91,90% dan nilai precision, recall, F1-score, serta accuracy masing-masing sebesar 0,94. Nilai tersebut menunjukkan keseimbangan yang baik antara kemampuan model dalam mengenali ulasan asli dan palsu secara akurat. Dengan demikian, dapat disimpulkan bahwa implementasi model BERT terbukti efektif dalam mendeteksi ulasan palsu pada produk fashion di TikTok Shop serta dapat menjadi acuan pengembangan sistem deteksi otomatis berbasis bahasa Indonesia pada platform e-commerce lainnya.

Page 19 of 19 | Total Record : 189

 15   16   17   18   19 

Filter by Year

2023 2025


Reset
Filter By Issues
All Issue Vol. 3 No. 2 (2025): November Vol. 3 No. 1 (2025): Agustus Vol. 2 No. 4 (2025): Mei Vol. 2 No. 3 (2025): Februari Vol. 2 No. 2 (2024): November Vol. 2 No. 1 (2024): Agustus Vol. 1 No. 4 (2024): Mei Vol. 1 No. 3 (2024): Februari Vol. 1 No. 2 (2023): November Vol. 1 No. 1 (2023): Agustus