cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Ahmad Rustam
Contact Email
ahmad.rustam1988@gmail.com
Phone
+6285399507330
Journal Mail Official
ahmad.rustam1988@gmail.com
Editorial Address
Jl. Bandara Haluoleo, Ambaipua, Ranomeeto, Kabupaten Konawe Selatan, Sulawesi Tenggara
Location
Unknown,
Unknown
INDONESIA
ARUS JURNAL SAINS DAN TEKNOLOGI
Published by Arden Jaya Publisher
ISSN : -     EISSN : 30263603     DOI : 10.57250
Core Subject : Economy, Humanities, Science, Education, Social,
Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Social Sciences Other
Arus Jurnal Sains dan Teknologi (AJST) merupakan jurnal yang menerbitkan artikel-artikel hasil-hasil penelitian dan kajian pustaka. Jurnal ini menerbitkan artikel yang berkaitan dengan sains, teknologi, komputer, matematika, ipa, pertanian, peternakan, tambang, sipil, dan rekayasa, ilmu kesehatan, serta artikel yang berkorelasi dengan sains dan teknologi. Kami menerbitkan artikel dalam setahun sebanyak 2 nomor pada setiap bulan April dan Oktober.
Arjuna Subject : Umum - Umum
Articles 127 Documents
 9   10   11   12   13 
Pemodelan dan Prediksi Kunjungan Pasien di Puskesmas Menggunakan Hidden Markov Model Ferdiansyah; Faisal, Muhammad; Rachman, Fahrim Irhamna; Wahyuni, Titin
Arus Jurnal Sains dan Teknologi Vol 4 No 1: April (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i1.2559

Abstract

Penelitian ini menganalisis pola fluktuatif kunjungan pasien hipertensi di Puskesmas Kota Makassar tahun 2024 menggunakan pendekatan Hidden Markov Model (HMM) untuk mendukung perencanaan layanan kesehatan. Dengan menerapkan tiga state tersembunyi (rendah, normal, tinggi) serta distribusi Negative Binomial dan Poisson, model ini mampu menangkap dinamika perubahan rezim (regime switching) pada data yang mengalami over-dispersion. Hasil evaluasi menunjukkan tingkat akurasi yang sangat tinggi dengan nilai MAPE sebesar 0,88%, mengungguli metode Seasonal Naïve. Prediksi untuk Januari 2025 memperkirakan kunjungan sebanyak 22.988 pasien dengan probabilitas tertinggi pada kondisi normal. Dengan demikian, HMM terbukti efektif sebagai instrumen pengambilan keputusan strategis dalam pengelolaan sumber daya kesehatan di tingkat Puskesmas.
Analisis Faktor Penentu Kredit Motor Menggunakan Regresi Linear Berganda Sani; Cahyono, Edi; Laome, Lilis
Arus Jurnal Sains dan Teknologi Vol 4 No 1: April (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i1.2568

Abstract

Pemodelan pembayaran kredit motor penting dilakukan untuk mengidentifikasi dan menganalisis faktor-faktor yang memengaruhi kemampuan pembayaran konsumen, serta membangun model prediktif yang akurat guna mendukung pengambilan keputusan kredit yang lebih efektif dan meminimalkan risiko gagal bayar. Tujuan Penelitian ini untuk mendapatkan model regresi linear berganda pada data pembayaran kredit motor. Dalam penelitian ini, variabel independen yang digunakan meliputi harga motor (), uang muka (), suku bunga (), lama tenor (), dan pendapatan (), sedangkan variabel dependen adalah kemampuan membayar kredit . Data yang digunakan diperoleh dari PT. XYZ dan diolah menggunakan sofware SPSS. Analisis regresi linear berganda dilakukan untuk mengidentifikasi hubungan antara variabel-variabel independen terhadap dependen. Hasil penelitian menunjukkan bahwa variabel yang mempunyai pengaruh signifikan terhadap kemampuan membayar yaitu harga motor, lama tenor, dan pendapatan, sementara variabel uang muka dan suku bunga juga berkontribusi dalam model namun dengan pengaruh yang lebih rendah. Model regresi yang dihasilkan memiliki tingkat akurasi yang cukup baik dalam memprediksi kemampuan membayar. Dengan adanya model ini diharapkan dapat membantu dalam meningkatkan efisiensi manajemen risiko kredit dan mengurangi tingkat kredit macet.
Implementasi Natural Language Processing pada Chatbot Berbahasa Indonesia untuk Layanan Informasi Akademik di MIS Ar-Ruhama Maolana Firdaus , Rizky
Arus Jurnal Sains dan Teknologi Vol 4 No 1: April (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i1.2573

Abstract

Teknologi informasi berkembang pesat dan menuntut lembaga akademik untuk menyediakan layanan informasi yang cepat dan akurat. Namun, Madrasah Ibtidaiyah (MIS) Ar-Ruhama masih menghadapi kendala dalam akses informasi akademik, seperti jadwal pelajaran dan administrasi yang terbatas pada jam operasional sekolah serta beban kerja staf yang tinggi dalam melayani pertanyaan repetitif. Penelitian ini bertujuan untuk merancang dan membangun chatbot berbasis website yang mengimplementasikan Natural Language Processing (NLP) guna memberikan layanan informasi akademik yang otomatis dan responsif selama 24/7. Penelitian ini menggunakan metode pengembangan perangkat lunak model Waterfall yang mencakup tahapan analisis kebutuhan, desain, pembuatan kode program, pengujian, serta pemeliharaan. Pengumpulan data dilakukan melalui studi literatur, wawancara dengan pemangku kepentingan di MIS Ar-Ruhama, dan observasi langsung. Sistem dibangun menggunakan bahasa pemrograman JavaScript dengan framework React.js dan Express.js, serta basis data MySQL. Pengujian dilakukan dengan metode Black Box Testing untuk fungsionalitas dan White Box Testing untuk alur logika program. Hasil penelitian menunjukkan bahwa implementasi metode NLP efektif dalam memproses dan memahami pertanyaan pengguna dalam bahasa Indonesia sehingga chatbot dapat memberikan respons yang relevan secara otomatis dan interaktif. Berdasarkan hasil uji coba terhadap 18 responden menggunakan skala Likert, sistem ini mendapatkan skor interpretasi sebesar 84,67% yang termasuk dalam kategori "Sangat Kuat". Pengguna menyatakan bahwa sistem ini membantu dalam pengelolaan informasi akademik dan memberikan respons yang lebih cepat dibandingkan cara manual. Kesimpulan dari penelitian ini yaitu pengembangan chatbot berbasis NLP pada MIS Ar-Ruhama berhasil mengatasi hambatan akses informasi di luar jam operasional sekolah bagi siswa dan wali murid. Sistem ini terbukti dapat mengurangi beban kerja staf administrasi dan guru dalam menjawab pertanyaan repetitif, sehingga meningkatkan efisiensi layanan informasi akademik di lingkungan madrasah.
Klasifikasi Status Gizi Balita Menggunakan Algoritma Light Gradient Boosting Machine di Puskesmas Balibo Auliyah, Afifah; Chyquithadanuputri; Rachman, Fahrim Irhamna; Aras, Dara Ugi
Arus Jurnal Sains dan Teknologi Vol 4 No 1: April (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i1.2591

Abstract

Status gizi balita merupakan indikator penting dalam menentukan tingkat kesehatan dan perkembangan anak. Penentuan status gizi secara konvensional sering kali membutuhkan waktu yang lama dan berpotensi menimbulkan kesalahan dalam proses identifikasi. Penelitian ini bertujuan untuk mengklasifikasikan status gizi balita menggunakan algoritma Light Gradient Boosting Machine (LightGBM) sebagai pendekatan machine learning yang cepat dan akurat. Dataset yang digunakan berasal dari Puskesmas Balibo dengan jumlah data sebanyak 860 data balita yang mencakup variabel umur, jenis kelamin, tinggi badan, berat badan, BMI, indikator BB/U, dan TB/U. Tahapan penelitian meliputi pengumpulan data, preprocessing data, pembagian data latih dan data uji, pelatihan model LightGBM, serta evaluasi performa model menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma LightGBM mampu menghasilkan performa klasifikasi yang baik dengan tingkat akurasi mencapai 94%. Model ini mampu mengidentifikasi kategori status gizi balita secara efektif dan efisien sehingga dapat membantu tenaga kesehatan dalam mendukung deteksi dini masalah gizi pada balita.
Analisis Kemiripan Source Code Project Menggunakan Metode CodeBERT dan Winnowing Algorithm Fauzan Azhari Rahman; Rizki Yusliana Bakti; Muhyiddin A M Hayat
Arus Jurnal Sains dan Teknologi Vol 4 No 1: April (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i1.2623

Abstract

Pemeriksaan keaslian kode pada tugas Capstone Project umumnya masih dilakukan secara manual, sehingga tidak efisien dan berisiko melewatkan kasus plagiarisme yang disamarkan melalui refactoring atau penggantian nama variabel. Penelitian ini bertujuan menerapkan kombinasi metode CodeBERT dan Winnowing Algorithm untuk mendeteksi kemiripan kode sumber secara semantik dan tekstual, serta mengintegrasikan fitur tersebut ke dalam sistem pengumpulan tugas Capstone Project mahasiswa Program Studi Informatika Fakultas Teknik Universitas Muhammadiyah Makassar. CodeBERT digunakan untuk menganalisis kemiripan semantik, sedangkan Winnowing Algorithm digunakan untuk mendeteksi kemiripan tekstual berbasis fingerprint k-gram. Hasil dari kedua metode digabungkan untuk menghasilkan penilaian kemiripan yang lebih komprehensif. Pengujian dilakukan terhadap 17 proyek valid yang menghasilkan 136 pasangan unik. Hasil analisis menunjukkan 16 pasangan termasuk kategori Plagiarisme Kuat, 30 pasangan Mirip Semantik, 30 pasangan Mirip Tekstual, dan 60 pasangan Normal. Selain itu, seluruh 11 skenario black box testing berhasil dijalankan dengan tingkat keberhasilan 100%. Hasil ini menunjukkan bahwa kombinasi CodeBERT dan Winnowing Algorithm efektif diterapkan untuk mendukung analisis kemiripan kode pada lingkungan akademik
Analisis Persentase Area Kerusakan Daun Bawang Menggunakan Model Hybrid Transformer Berbasis SegFormer-TransUNet Muliana; Rizki Yusliana Bakti; Muhyiddin AM Hayat
Arus Jurnal Sains dan Teknologi Vol 4 No 1: April (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i1.2673

Abstract

Penelitian ini bertujuan mengembangkan sistem segmentasi citra untuk menghitung persentase area kerusakan daun bawang menggunakan model hybrid transformer berbasis SegFormer-TransUNet. Permasalahan utama yang diangkat adalah keterbatasan penilaian visual manual yang cenderung subjektif, lambat, dan sulit diterapkan secara konsisten pada skala lahan yang luas. Data penelitian berupa citra daun bawang dan mask anotasi yang memisahkan area daun sehat, daun rusak, dan background. Tahapan penelitian meliputi akuisisi citra, preprocessing, pembentukan label mask, pelatihan tiga skenario model, evaluasi kuantitatif, serta perhitungan persentase kerusakan berbasis rasio piksel. Model hybrid dirancang dengan memanfaatkan SegFormer sebagai encoder untuk menangkap konteks global dan TransUNet sebagai decoder untuk merekonstruksi detail spasial. Hasil evaluasi menunjukkan bahwa model hybrid memperoleh accuracy 0,9590, mIoU 0,8333, dan Dice coefficient 0,8686. Nilai tersebut lebih tinggi dibandingkan SegFormer (accuracy 0,9543; mIoU 0,7671; Dice 0,8057) dan TransUNet (accuracy 0,9583; mIoU 0,8145; Dice 0,8509) pada metrik utama segmentasi. Temuan ini menunjukkan bahwa integrasi fitur global dan detail lokal mampu meningkatkan kualitas segmentasi serta menghasilkan dasar kuantitatif untuk estimasi tingkat kerusakan daun bawang.
Identifikasi Penyakit Tuberkulosis pada Citra X-Ray Paru Menggunakan Swin Transformer dengan Pendekatan Out-of-Distribution Detection Andi Citra Ayu Lestari; Desi Anggreani; Muhammad Faisal; Chyquitha Danuputri
Arus Jurnal Sains dan Teknologi Vol 4 No 1: April (2026)
Publisher : Arden Jaya Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57250/ajst.v4i1.2731

Abstract

Penelitian ini bertujuan mengimplementasikan arsitektur Swin Transformer untuk mengidentifikasi penyakit tuberkulosis pada citra X-Ray paru serta mengevaluasi kemampuan pendekatan Out-of-Distribution Detection dalam mengenali citra yang tidak sesuai dengan distribusi data pelatihan. Data penelitian terdiri atas 1.272 citra yang terbagi seimbang ke dalam tiga kelas, yaitu Tuberkulosis, Non-Tuberkulosis, dan Tidak Dikenali/Out-of-Distribution Detection. Tahapan penelitian meliputi seleksi kualitas citra, resize ke ukuran 384 x 384 piksel, augmentasi data latih, pelatihan model Swin Transformer, serta evaluasi menggunakan accuracy, macro F1-score, confusion matrix, dan AUC. Hasil penelitian menunjukkan bahwa model Swin Transformer tunggal memperoleh accuracy 83,59% dan macro F1-score 83,59% pada klasifikasi Tuberkulosis dan Non-Tuberkulosis. Model Hybrid Swin Transformer + Out-of-Distribution Detection menghasilkan kinerja lebih baik dengan accuracy 89,06%, macro F1-score 89,10%, dan Out-of-Distribution Detection Rate 98,44%. Temuan ini menunjukkan bahwa integrasi Out-of-Distribution Detection mampu meningkatkan keandalan sistem karena model tidak memaksakan prediksi terhadap citra yang tidak relevan. Sistem yang dikembangkan dapat digunakan sebagai alat bantu skrining awal, dengan keputusan akhir tetap berada pada tenaga medis.

Page 13 of 13 | Total Record : 127

 9   10   11   12   13 

Filter by Year

2023 2026


Reset
Filter By Issues
All Issue Vol 4 No 1: April (2026) Vol 3 No 2: Oktober (2025) Vol 3 No 1: April (2025) Vol 2 No 2: Oktober (2024) Vol 2 No 1: April (2024) Vol 1 No 1: Oktober (2023)