Journal of Informatics and Interactive Technology (JIITE)
The Journal of Informatics and Interactive Technology aims to provide a platform for the exchange of knowledge and innovation in the field of computer science, human-computer interaction, data analysis, artificial intelligence, information systems, computer engineering, and emerging technologies. The journal welcomes original research articles, reviews, and case studies that address advancements, challenges, and applications in these areas. Computer Science: The journal focuses on research that contributes to the theoretical foundations, algorithms, and software engineering practices within computer science. Topics of interest include, but are not limited to, programming languages, computational theory, algorithm design and analysis, computer graphics, computer architecture, and software development methodologies. Human-Computer Interaction: This section covers research on the design, evaluation, and impact of interactive systems that facilitate effective and intuitive human-computer interaction. Areas of interest encompass user interface design, user experience, usability testing and evaluation, user-centered design approaches, interactive technologies for people with disabilities, and human factors in interactive systems. Data Analysis: This section explores research related to the extraction, transformation, and analysis of large and complex datasets. Topics include data mining, machine learning, statistical analysis, information retrieval, pattern recognition, data visualization, and big data analytics. Artificial Intelligence: The journal features research that focuses on advancements in artificial intelligence, including machine learning, knowledge representation, natural language processing, reasoning and problem-solving techniques, expert systems, robotics, and autonomous agents. Information Systems: This section covers research on the development, management, and application of information systems within organizations. Topics of interest include database management, information retrieval, data modeling, information security and privacy, enterprise systems, decision support systems, and business intelligence. Computer Engineering: This section highlights research in computer hardware engineering, including the design and development of computer systems and components. Topics of interest include computer architecture, embedded systems, VLSI design, robotics, computer networks, wireless communication, and system-on-chip design. Emerging Technologies: This section explores research on emerging technologies that have the potential to impact the field of informatics and interactive technology. Areas of interest include blockchain, internet of things (IoT), virtual and augmented reality, cloud computing, cybersecurity, edge computing, and quantum computing. The Journal of Informatics and Interactive Technology encourages interdisciplinary research and welcomes contributions from both academia and industry. The ultimate goal is to foster the exchange of ideas and promote the advancement of knowledge in the rapidly evolving fields of informatics and interactive technology.
Articles
10 Documents
Search results for
, issue
"Vol. 2 No. 3 (2025): Desember"
:
10 Documents
clear
<![CDATA[Penggunaan Google Cloud Platform Untuk Membuat Backend Aplikasi EcoScan : Waste Detection ]]>
<![CDATA[Abiyyu Rafi]]>;
<![CDATA[Wiga Maulana Baihaqi, S.Kom,. M.Eng.]]>
<![CDATA[ Journal of Informatics and Interactive Technology Vol. 2 No. 3 (2025): Desember ]]>
Publisher : <![CDATA[ACSIT ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.63547/jiite.v2i3.14
<![CDATA[Dalam perkembangan teknologi yang dapat mempermudah segala aktifitas yang dijalankan manusia khususnya terhadap barang-barang elektronik seperti Handphone, TV, Komputer. Dalam perancangan dan pembuatan aplikasi ini menerapkan teknologi Cloud Computing. Salah satu penyedia layanan Cloud Computing adalah Google Cloud Platform (GCP)[1]. Proyek Ecoscan bertujuan untuk meningkatkan efisiensi dalam pengenalan dan pemisahan jenis limbah, sehingga memfasilitasi proses daur ulang dan pengelolaan limbah secara keseluruhan. GCP dipilih sebagai platform backend untuk menyediakan infrastruktur yang skalabel, aman, dan handal bagi aplikasi. Kami merancang dan mengimplementasikan sistem backend yang memanfaatkan layanan GCP, seperti Cloud Storage untuk penyimpanan data, Cloud Vision API untuk analisis gambar, dan Cloud Functions untuk pemrosesan tanpa server.]]>
<![CDATA[Analisis Perbandingan 3 Model Machine Learning Pada Deteksi Penyakit Jantung ]]>
<![CDATA[Pangestu, Adinda]]>;
<![CDATA[Safira Putri, Aulia]]>;
<![CDATA[Widi Astuti, Diah]]>;
<![CDATA[Syahrul Muarof, Aghni]]>;
<![CDATA[Wijaya Kusuma, Tegar]]>;
<![CDATA[Novan Dwi Andika, Fikri]]>
<![CDATA[ Journal of Informatics and Interactive Technology Vol. 2 No. 3 (2025): Desember ]]>
Publisher : <![CDATA[ACSIT ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.63547/jiite.v2i3.70
<![CDATA[Penyakit jantung merupakan penyebab utama kematian di Indonesia dan dunia, sehingga deteksi dini menjadi sangat penting. Penelitian ini membandingkan performa tiga algoritma machine learning—Logistic Regression, Random Forest, dan K-Nearest Neighbors (KNN) dalam memprediksi penyakit jantung menggunakan data dari Kaggle. Proses penelitian mencakup pengumpulan data, preprocessing, pembagian data, pemodelan, dan evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa model KNN memiliki performa terbaik dengan akurasi 85,88% dan keseimbangan yang tinggi antara presisi, recall, dan F1-score (masing-masing 87,23%). Model Random Forest menyusul dengan akurasi 82,35% dan AUC tertinggi sebesar 0,88, sedangkan Logistic Regression menunjukkan performa terendah dengan akurasi 77,65%. Berdasarkan hasil tersebut, model KNN direkomendasikan sebagai metode yang paling efektif untuk deteksi dini penyakit jantung, dengan Random Forest sebagai alternatif yang stabil dan andal.]]>
<![CDATA[Analisis Perbandingan XGBoost, Random Forest, dan LSTM untuk Prediksi Jumlah Penumpang Bus ]]>
<![CDATA[Wati, Rahma]]>;
<![CDATA[Estriana, Rias]]>;
<![CDATA[Praptiwi, Ratna]]>;
<![CDATA[Salsabila Ilmi, Brilliant]]>;
<![CDATA[Rafa Oktavian, Nazly]]>;
<![CDATA[Zakiyudin, Toik]]>
<![CDATA[ Journal of Informatics and Interactive Technology Vol. 2 No. 3 (2025): Desember ]]>
Publisher : <![CDATA[ACSIT ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.63547/jiite.v2i3.73
<![CDATA[Peningkatan kebutuhan transportasi publik di kawasan urban mendorong perlunya sistem prediksi jumlah penumpang yang akurat guna mendukung pengambilan keputusan dalam pengelolaan armada bus. Penelitian ini membandingkan tiga algoritma machine learning, yaitu XGBoost, Random Forest, dan Long Short-Term Memory (LSTM), dalam memprediksi jumlah penumpang bus bulanan berdasarkan dataset Los Angeles County Metropolitan Transportation Authority (LACMTA) periode 2009–2024. Pendekatan yang digunakan adalah time-series regression dengan teknik rekayasa fitur seperti lag features dan moving averages. Evaluasi model dilakukan menggunakan metrik MAE, RMSE, dan R² Score. Hasil penelitian menunjukkan bahwa XGBoost merupakan algoritma dengan performa terbaik dengan R² sebesar 0.9936 dan RMSE terendah sebesar 352.78, diikuti oleh Random Forest. Sementara itu, LSTM serta model statistik seperti Exponential Smoothing dan Auto-SARIMA menunjukkan performa yang buruk dan prediksi yang tidak stabil. Penelitian ini menegaskan bahwa model tree-based lebih unggul dalam menangani data deret waktu agregat bulanan dengan karakteristik ketimpangan dan fluktuasi yang tinggi.]]>
<![CDATA[Optimasi Ulasan Palsu Menggunakan ADASYN Dan SMOTE ]]>
<![CDATA[Putranto, Aldrian Firmansyah]]>;
<![CDATA[-, Agung Septian]]>;
<![CDATA[-, Dicky Bagus Prasetyo]]>;
<![CDATA[-, Rhoy Emiliano De Mozzagie]]>;
<![CDATA[-, Rasyid Faiz Abdillah]]>
<![CDATA[ Journal of Informatics and Interactive Technology Vol. 2 No. 3 (2025): Desember ]]>
Publisher : <![CDATA[ACSIT ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.63547/jiite.v2i3.81
<![CDATA[Ulasan pengguna secara daring menjadi acuan penting dalam pengambilan keputusan konsumen di berbagai platform e-commerce. Maraknya ulasan palsu (fake review) yang sengaja dibuat untuk meningkatkan citra produk atau menjatuhkan pesaing menimbulkan tantangan serius dalam menjamin keaslian informasi. Penelitian ini bertujuan untuk meningkatkan akurasi deteksi ulasan palsu dengan menerapkan teknik oversampling lanjutan, yaitu SMOTE (Synthetic Minority Over-sampling Technique) dan ADAYSN (Adaptive Synthetic Sampling) untuk menangani ketidakseimbangan data yang umum pada kasus ini. Dataset yang digunakan adalah Yelp Review Dataset dari Kaggle dengan jumlah data mencapai 50.000 ulasan yang telah melalui tahapan preprocessing seperti tokenisasi, normalisasi, stopword removal, dan stemming. Ekstraksi fitur dilakukan menggunakan metode TF-IDF. Model klasifikasi yang digunkan adalah XGBoost, LinearSVC, dan SGDClassifier. Hasil pengujian menunjukkan bahwa pendekatan SMOTE mampu meningkatkan performa deteksi kelas minoritas (ulasan palsu) dengan F1-score mencapai 0.75 meskipun mengorbankan akurasi kelas minoritas. Sementara itu, ADASYN belum menunjukkan performa optimal pada subset data kecil. Temuan ini mendukung hasil dari penelitian sebelumnya oleh Hameed et al. (2023) menunjukkan adanya potensi peningkatan performa melalui pendekatan balancing yang lebih adaptif. Penelitian ini memberikan kontribusi penting dalam pengembangan sistem deteksi ulasan palsu yang lebih seimbang dan andal.]]>
<![CDATA[Prediksi Penjualan Aksesoris Laptop Berbasis Monte Carlo Simulation dan Exponential Smoothing ]]>
<![CDATA[Irfan]]>;
<![CDATA[Syafiq]]>;
<![CDATA[Adlifan Mauladhani]]>;
<![CDATA[Nofryan Pradiva]]>;
<![CDATA[Muhammad Fahat Azam Amirul]]>;
<![CDATA[Cahyo, Igo Nur]]>
<![CDATA[ Journal of Informatics and Interactive Technology Vol. 2 No. 3 (2025): Desember ]]>
Publisher : <![CDATA[ACSIT ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.63547/jiite.v2i3.83
<![CDATA[Penelitian ini bertujuan membuat model yang bisa memprediksi penjualan aksesori laptop dengan menggunakan dua metode yaitu Monte Carlo Simulation dan Exponential Smoothing. Masalah yang dibahas adalah kebutuhan bisnis e-commerce dalam memperkirakan volume penjualan secara tepat, terutama untuk produk aksesori laptop yang permintaannya sering berubah-ubah. Data yang digunakan berasal dari platform Amazon, terdiri dari 470 produk dengan 10 atribut utama, seperti judul produk, merek, harga, rating, jumlah ulasan, skor popularitas, periode waktu, dan jumlah unit yang terjual. Awalnya, data diolah terlebih dahulu dengan cara mengatasi nilai yang kosong, mengubah format waktu, serta mengubah fitur kategorikal menjadi data yang bisa diproses. Model prediksi dibuat dengan menggunakan Monte Carlo.]]>
<![CDATA[Perbandingan Metode LSTM dan Random Forest Untuk Prediksi Harga Telur Ayam Ras di Kalimantan Barat ]]>
<![CDATA[Khinta]]>;
<![CDATA[Maulana, Devan]]>;
<![CDATA[Noval Esa]]>;
<![CDATA[Najwan]]>;
<![CDATA[Rafli Himawan]]>
<![CDATA[ Journal of Informatics and Interactive Technology Vol. 2 No. 3 (2025): Desember ]]>
Publisher : <![CDATA[ACSIT ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.63547/jiite.v2i3.84
<![CDATA[Prediksi harga telur ayam ras di Kalimantan Barat sangat penting untuk membantu peternak, pedagang, dan pemerintah dalam pengambilan keputusan terkait distribusi, stok, dan penetapan harga. Penelitian ini bertujuan membandingkan dua metode machine learning, yaitu Long Short-Term Memory (LSTM) dan Random Forest dalam memprediksi harga telur berdasarkan data historis. Data diambil dari situs Databoks Katadata periode Maret 2024– 2025. Hasil pengujian menunjukkan bahwa Random Forest menghasilkan nilai Mean Squared Error (MSE) yang lebih rendah dibandingkan LSTM, sehingga Random Forest lebih akurat dan efektif digunakan untuk prediksi harga telur ayam ras di Kalimantan Barat.]]>
<![CDATA[Analisis Kebutuhan Dan Perancangan Antarmuka Sistem Manajemen Reservasi Villa Berbasis Web Menggunakan Metode Design Thinking ]]>
<![CDATA[Dwi Widyawati, Shalsa Bela]]>;
<![CDATA[Arifudin, Dani]]>
<![CDATA[ Journal of Informatics and Interactive Technology Vol. 2 No. 3 (2025): Desember ]]>
Publisher : <![CDATA[ACSIT ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.63547/jiite.v2i3.98
<![CDATA[Penelitian ini bertujuan untuk mengatasi permasalahan ketidakselarasan data reservasi villa di PT. Palawi Risorsis Baturraden yang disebabkan oleh penggunaan berbagai saluran pemesanan yang belum terintegrasi, sehingga berpotensi menimbulkan tumpang tindih data dan double booking. Metode yang digunakan adalah Design Thinking yang meliputi tahapan Empathize, Define, Ideate, Prototype, dan Test. Penelitian ini menghasilkan rancangan prototipe UI/UX sistem manajemen reservasi villa yang dilengkapi fitur kalender ketersediaan real-time, manajemen pemesanan, integrasi data dari berbagai kanal, serta dashboard operasional. Evaluasi dilakukan melalui pengujian High-Fidelity Prototype menggunakan Maze dan usability testing, yang menghasilkan skor usability sebesar 80%. Hasil tersebut menunjukkan bahwa sistem mampu meningkatkan kejelasan alur reservasi, mengurangi konflik data, serta memberikan kemudahan dan kenyamanan bagi pengguna. Kesimpulan penelitian ini menunjukkan bahwa metode Design Thinking efektif dalam menghasilkan sistem reservasi yang berorientasi pada kebutuhan pengguna dan layak diterapkan pada industri perhotelan dan pariwisata berbasis teknologi.]]>
<![CDATA[Systematic Literature Review: Analisis Dan Prediksi Perilaku Konsumen E-Commerce Menggunakan Machine Learning ]]>
<![CDATA[Ayesa Aglystia Firdauzi]]>;
<![CDATA[Syifa Tania Annaztasya]]>;
<![CDATA[Febriana]]>
<![CDATA[ Journal of Informatics and Interactive Technology Vol. 2 No. 3 (2025): Desember ]]>
Publisher : <![CDATA[ACSIT ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.63547/jiite.v2i3.100
<![CDATA[Pertumbuhan eksponensial data E-commerce yang ditandai dengan volume, kecepatan, dan variasi yang tinggi menjadikan metode statistik tradisional tidak lagi memadai untuk memahami perilaku konsumen yang kompleks. Penelitian ini bertujuan untuk mengevaluasi efektivitas penerapan algoritma Machine Learning (ML) dalam memprediksi perilaku konsumen serta mengidentifikasi tren implementasi terkini sebagai solusi atas keterbatasan metode konvensional. Menggunakan pendekatan Systematic Literature Review (SLR) yang berpedoman pada protokol PRISMA 2020, penelitian ini melakukan pengumpulan data melalui empat basis data akademik utama, yaitu ScienceDirect, IEEE Xplore, ACM, dan Semantic Scholar. Sebanyak 273 artikel relevan yang diterbitkan antara tahun 2021 hingga 2026 dianalisis untuk mensintesis algoritma dominan dan metrik kinerjanya. Temuan utama menunjukkan adanya pergeseran paradigma dari model tunggal menuju arsitektur Hybrid Deep Learning dan metode Ensemble (seperti XGBoost) yang terbukti lebih unggul dalam menangani data multimodal dan tidak seimbang (imbalanced). Pendekatan ini secara konsisten melampaui metode statistik dalam hal akurasi prediksi, penurunan tingkat kesalahan, dan dampak bisnis nyata seperti peningkatan konversi. Studi ini menyimpulkan bahwa pengembangan masa depan perlu memprioritaskan Explainable AI (XAI) dan integrasi data multimodal untuk mendukung tren live streaming commerce serta meningkatkan transparansi keputusan bagi manajemen bisnis.]]>
<![CDATA[Tinjauan Penerapan Internet of Things pada Sistem Irigasi Cerdas Pertanian ]]>
<![CDATA[Putri, Qeisha Amalya]]>;
<![CDATA[Dwi Safitri]]>
<![CDATA[ Journal of Informatics and Interactive Technology Vol. 2 No. 3 (2025): Desember ]]>
Publisher : <![CDATA[ACSIT ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.63547/jiite.v2i3.101
<![CDATA[Penerapan Internet of Things (IoT) pada sistem irigasi cerdas menjadi salah satu pendekatan yang banyak dikembangkan untuk meningkatkan efisiensi penggunaan air dan pengelolaan pertanian secara lebih adaptif. Artikel ini menyajikan tinjauan sistematis terhadap penerapan teknologi IoT pada sistem irigasi cerdas dengan fokus pada komponen sistem yang digunakan, efektivitas implementasi, serta kendala dan arah pengembangannya. Metode yang digunakan adalah Systematic Literature Review terhadap 20 artikel ilmiah terbitan tahun 2021–2025 yang diperoleh dari basis data Scopus dan Google Scholar. Hasil tinjauan menunjukkan bahwa sistem irigasi berbasis IoT umumnya terdiri atas sensor kelembapan tanah, mikrokontroler, media komunikasi, platform monitoring, dan aktuator sebagai pengendali aliran air. Implementasi sistem tersebut terbukti mampu meningkatkan efisiensi penggunaan air serta mendukung penyiraman otomatis berdasarkan kondisi aktual lahan. Namun demikian, beberapa kendala masih ditemukan, antara lain ketergantungan pada koneksi internet, keterbatasan akurasi sensor, dan penerapan sistem yang masih didominasi oleh skala prototipe. Tinjauan ini diharapkan dapat menjadi referensi bagi pengembangan sistem irigasi cerdas berbasis IoT yang lebih efektif, aplikatif, dan berkelanjutan di sektor pertanian.]]>
<![CDATA[Tinjauan Literatur Tentang Proses Kreatif Ide Visual Dalam Tahap Produksi Animasi 2D ]]>
<![CDATA[Ibnu Khoer, Masyhurul Alim]]>;
<![CDATA[Ardi Mardika, Prasmara]]>;
<![CDATA[Alfarizi, Azmi]]>
<![CDATA[ Journal of Informatics and Interactive Technology Vol. 2 No. 3 (2025): Desember ]]>
Publisher : <![CDATA[ACSIT ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.63547/jiite.v2i3.108
<![CDATA[Penelitian ini bertujuan untuk meninjau proses concept and ideation dalam tahap pra-produksi animasi 2D, khususnya dalam pengembangan ide visual yang inovatif. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan protokol PRISMA untuk menyeleksi dan menganalisis artikel ilmiah terkait proses ideasi, pengembangan konsep, serta pemanfaatan teknologi digital dalam produksi animasi 2D. Data dikumpulkan dari berbagai basis data ilmiah dengan rentang publikasi tahun 2021–2025 dan dianalisis menggunakan pendekatan deskriptif serta tematik. Hasil tinjauan menjawab tiga pertanyaan penelitian. Pertama, metode digital berbasis software terbukti lebih dominan dibandingkan metode tradisional hand-drawn karena menawarkan efisiensi waktu, kemudahan revisi, dan konsistensi visual, meskipun teknik tradisional masih dipertahankan untuk eksplorasi artistik awal. Kedua, optimalisasi produksi animasi 2D didukung oleh penerapan workflow digital terintegrasi, penggunaan asset library, storyboard digital, serta bantuan teknologi AI. Ketiga, keberhasilan proses kreatif dalam menghasilkan visual inovatif dipengaruhi oleh eksplorasi ide visual, pemanfaatan teknologi digital strategis, alur kerja terstruktur, serta kompetensi dan kolaborasi tim produksi. Temuan ini menunjukkan bahwa integrasi kreativitas manusia dan teknologi digital menjadi kunci utama dalam menghasilkan animasi 2D yang efisien, konsisten, dan inovatif.]]>
