cover
Contact Name
Rujianto Eko Saputro
Contact Email
jiite@acsit.org
Phone
+6282220176117
Journal Mail Official
jiite@acsit.org
Editorial Address
Perumahan Puri Intan, Kel. Pabuaran, RT 005/001, Kec. Purwokerto Utara, Kab. Banyumas, Kab. Banyumas, Provinsi Jawa Tengah
Location
Kab. banyumas,
Jawa tengah
INDONESIA
Journal of Informatics and Interactive Technology (JIITE)
ISSN : -     EISSN : 30481023     DOI : -
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 46 Documents
optimasi Prediksi banjir menggunakan teknik smote dan algoritma Naive Bayes Refida Septiana Putri; Reykha Putri Randika; Atiqah Noor Zhaafirah; Febi Dwi Sasmita; Adhisa Nanda Kurnia; Albab Muzaki
Journal of Informatics and Interactive Technology Vol. 2 No. 2 (2025): Agustus
Publisher : ACSIT

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63547/jiite.v2i2.68

Abstract

Banjir merupakan salah satu bencana alam yang memberikan dampak signifikan terhadap kehidupan sosial, ekonomi, dan infrastruktur. Peningkatan intensitas curah hujan akibat perubahan iklim global serta sistem drainase yang tidak memadai menjadi faktor utama penyebab banjir di berbagai wilayah. Oleh karena itu, kemampuan untuk memprediksi banjir secara dini menjadi hal yang krusial dalam upaya mitigasi risiko. Penelitian ini mengembangkan model klasifikasi banjir berbasis algoritma Naive Bayes yang dipadukan dengan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan data antara kelas banjir dan non-banjir. Proses analisis dilakukan dengan pendekatan CRISP-DM yang mencakup enam tahapan: pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan implementasi. Dataset yang digunakan merupakan data historis curah hujan wilayah Kerala, India, periode 1901–2018 yang diperoleh dari platform Kaggle. Evaluasi performa model dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan Hamming Loss. Hasil penelitian menunjukkan bahwa kombinasi Naive Bayes dan SMOTE mampu meningkatkan sensitivitas model terhadap kejadian banjir, serta memberikan kontribusi dalam pengembangan sistem peringatan dini bencana yang lebih efektif dan andal.
Analisis Perbandingan Teknik Balancing CTGAN dan ADASYN untuk Deteksi Transaksi Penipuan Firman Zamzami Aziz; Muhammad Agus Priyanto; Afridho Nur Zaki; Gilang Dely Mukti; Akhmad Fauzan; Adelia Najmi Raissa
Journal of Informatics and Interactive Technology Vol. 2 No. 2 (2025): Agustus
Publisher : ACSIT

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63547/jiite.v2i2.69

Abstract

Ketidakseimbangan data menjadi tantangan utama dalam deteksi transaksi penipuan karena jumlah transaksi legal jauh lebih dominan. Penelitian ini membandingkan efektivitas metode ADASYN dan CTGAN dalam menyeimbangkan data dan meningkatkan performa model klasifikasi. Dataset berisi 6,3 juta transaksi dianalisis melalui preprocessing, seleksi fitur XGBoost, stratified sampling, balancing, dan modeling menggunakan Decision Tree, Random Forest, serta MLP Classifier. Hasil menunjukkan bahwa meskipun kedua metode meningkatkan distribusi kelas, performa metrik Precision dan F1-Score masih belum optimal. Diperlukan penerapan hyperparameter tuning serta eksplorasi metode balancing lain untuk hasil yang lebih baik.
Deteksi Penyakit Kulit Manusia Berbasis CNN Dan SVM Sony Subagyo; khanif haryadi; Ari Septiadi; Rama Dhitsaha; Erik Hidayatulloh; Hardika Setiawan
Journal of Informatics and Interactive Technology Vol. 2 No. 2 (2025): Agustus
Publisher : ACSIT

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63547/jiite.v2i2.75

Abstract

Deteksi penyakit kulit berbasis citra menjadi tantangan penting dalam bidang kesehatan dan teknologi informasi. Penelitian ini mengimplementasikan metode Convolutional Neural Network  (CNN) dan Support Vector Machine  (SVM) untuk mengklasifikasikan citra kulit manusia ke dalam tiga kelas: kulit sehat, panu, dan skabies. Dataset yang digunakan berjumlah 420 citra berwarna (RGB) dengan ukuran 50x50 piksel, yang kemudian diubah menjadi grayscale untuk model SVM. Model CNN dilatih menggunakan citra RGB ter-normalisasi, sedangkan model SVM menggunakan representasi grayscale. Hasil evaluasi menunjukkan bahwa model SVM memperoleh akurasi 100% pada data uji, sementara CNN hanya mencapai akurasi sekitar 71%. Hal ini menunjukkan bahwa SVM lebih efektif pada dataset kecil, sedangkan CNN memerlukan dataset yang lebih besar agar dapat melakukan generalisasi dengan optimal.
PERBANDINGAN KINERJA ALGORITMA MLR, RFR, DAN DTR DALAM PREDIKSI HARGA RUMAH DI BANDUNG Nur Hidayat, Firman; Ahmmad Zanziban, Haekal; Putra Hidayat, Adi Maulana; 'Azmy Nurrayya, Pratistaka; Putra, Iqrom Danang; Dwi Kurniawan, Fadly; Dimas Fathin, Fariz
Journal of Informatics and Interactive Technology Vol. 2 No. 2 (2025): Agustus
Publisher : ACSIT

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63547/jiite.v2i2.89

Abstract

Prediksi harga rumah merupakan permasalahan penting dalam industri properti, khususnya di wilayah urban seperti Kota Bandung yang mengalami pertumbuhan pesat. Penelitian sebelumnya oleh Siregar et al. (2023) telah mengembangkan model prediksi harga rumah menggunakan algoritma Multiple Linear Regression (MLR), namun pendekatan ini terbatas dalam menangkap hubungan non-linear yang kompleks antar fitur. Penelitian ini bertujuan untuk membandingkan kinerja tiga algoritma regresi, yaitu Multiple Linear Regression (MLR), Decision Tree Regression (DTR), dan Random Forest Regression (RFR), dalam memprediksi harga rumah berdasarkan fitur jumlah kamar, luas bangunan, dan luas lahan. Dataset yang digunakan diperoleh dari situs Kaggle dengan total 1.459 entri setelah melalui proses pembersihan dan validasi. Teknik pengumpulan data dilakukan secara sekunder, sementara metode analisis menggunakan evaluasi metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Koefisien Determinasi (R²). Hasil penelitian menunjukkan bahwa RFR unggul dalam nilai MAE, sementara MLR menunjukkan performa lebih baik pada MSE dan R² setelah data dibersihkan. Penelitian ini menunjukkan bahwa pemilihan algoritma sangat dipengaruhi oleh kualitas data dan karakteristik fitur yang digunakan.
ANALISIS SENTIMEN PENGGUNA SHOPEE MENGGUNAKAN LSTM Gusnaeni Indah Pratiwi; Augst Nurandini; Dyessica Meizheilla; Eka Nada Rinjani; Zahra Revadinika Apriliani; Rizki Widodo
Journal of Informatics and Interactive Technology Vol. 2 No. 2 (2025): Agustus
Publisher : ACSIT

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63547/jiite.v2i2.91

Abstract

Perkembangan e-commerce di Indonesia telah mendorong pentingnya analisis sentimen untuk memahami kepuasan pengguna. Penelitian ini menganalisis sentimen ulasan pengguna Shopee menggunakan metode Long Short-Term Memory (LSTM) untuk mengklasifikasikan ulasan menjadi positif, negatif, dan netral. Data penelitian diperoleh melalui web scraping terhadap ulasan di Google Play Store, dengan total sampel sebanyak 3.625 ulasan yang mencakup periode 2023 hingga 2025. Proses preprocessing dilakukan dengan normalisasi teks, diikuti ekstraksi fitur menggunakan TF-IDF. Hasil penelitian menunjukkan bahwa model LSTM mencapai akurasi sebesar 86,48%, dengan distribusi sentimen didominasi oleh kategori positif (83%), diikuti negatif (16%), dan netral (1%). Temuan ini mengindikasikan tingkat kepuasan pengguna yang tinggi terhadap layanan Shopee, meskipun masih terdapat keluhan terkait kualitas produk dan layanan pengiriman. Penelitian ini memberikan kontribusi dalam pengembangan sistem analisis sentimen berbasis deep learning serta rekomendasi bagi Shopee untuk meningkatkan kualitas layanannya.
Analisis Perbandingan: SMOTE dan Undersampling pada Klasifikasi Spam Naïve Bayes: Studi Eksperimen perbandingan pada Dataset Email Berbahasa Indonesia Rivaldo Jeffmarvin; Hafizh Dzaky; Yusup Ardiyanto; Apriliyanto Dwi Saputra; Deri Irawan; Jason Bernard Ardianto
Journal of Informatics and Interactive Technology Vol. 2 No. 2 (2025): Agustus
Publisher : ACSIT

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63547/jiite.v2i2.92

Abstract

Spam email merupakan masalah serius dalam komunikasi digital, dan sebagian besar riset mengenai deteksi spam masih terfokus pada dataset berbahasa Inggris, sehingga menciptakan celah penelitian untuk bahasa lain seperti bahasa Indonesia. Penelitian ini bertujuan untuk mengisi celah tersebut dengan mengimplementasikan algoritma Naïve Bayes untuk klasifikasi spam pada dataset berbahasa Indonesia. Selain itu, penelitian ini juga membandingkan efektivitas dua teknik penyeimbangan data, yaitu Synthetic Minority Over-sampling Technique (SMOTE) dan Random Undersampling (RUS), untuk menemukan pendekatan yang paling optimal. Metode penelitian mencakup beberapa tahapan, mulai dari pra-pemrosesan data, ekstraksi fitur menggunakan TF-IDF dan N-gram, hingga pelatihan model Naïve Bayes. Hasil evaluasi menunjukkan bahwa kedua model memiliki performa yang sangat baik. Model dengan teknik RUS sedikit lebih unggul dengan akurasi 95,74%, presisi 95,92%, dan F1-score 95,73%, dibandingkan model SMOTE yang mencapai akurasi 95,63%. Kesimpulannya, teknik RUS menunjukkan hasil yang lebih stabil dan efisien untuk dataset ini, membuktikan bahwa Naïve Bayes adalah solusi yang kuat untuk deteksi spam berbahasa Indonesia.