JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia)
JUSTINDO is a scientific journal managed by the informatics engineering study program at the University of Muhammadiyah Jember as a publication media for research articles in the field of systems and information technology which covers the following topics: Software engineering, Games, Information Retrieval, Computer networks, Telecommunication, Internet, Internet of Things, Cloud Computing, Wireless technology, Network security, Multimedia technology, Mobile Computing, Parallel / Distributed Computing, Development, management and utilization of Information Systems, Organizational Governance, Enterprise Resource Planning, Enterprise Architecture Planning, e-Businness, e-Commerce, e-Learning, Data mining, Text mining, Machine Learning, Data warehouse, Online Analytical Processing, Artificial Intelligence, Decision Support System, and Mathematics. JUSTINDO is issued twice a year in February and August. The editor invites research lecturers, reviewers, practitioners, industry, and observers to contribute to this journal. JUSTINDO provides a platform for scientists and academics throughout Indonesia to promote, share and discuss new issues and the development of information systems and information technology. JUSTINDO aims to achieve the theory and application of this sophisticated field. In 2017, JUSTINDO already has an ISSN both printed and online, for ISSN (Print) is 2502 - 5724 and for ISSN (Online) is 2541 - 5735
Articles
8 Documents
Search results for
, issue
"Vol. 9 No. 2 (2024): JUSTINDO"
:
8 Documents
clear
<![CDATA[Penerapan Tampilan Aplikasi Pemesanan Restaurant ‘Bookresv‘ Untuk Meningkatkan Pengalaman Fine Dining ]]>
<![CDATA[Yunian Rafi Hidayat]]>
<![CDATA[ JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol. 9 No. 2 (2024): JUSTINDO ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32528/justindo.v9i2.1433
<![CDATA[Penelitian ini mendalami pengembangan aplikasi "Bookresv" untuk pemesanan restoran dengan pendekatan eksplanatori dan deskriptif, menggunakan metode Design Thinking. Dalam fase Empathy, penelitian merinci pemahaman mendalam terkait kebutuhan dan permasalahan pengguna melalui wawancara dan analisis user persona. Tahap Define menghasilkan user persona dan journey map, yang menjadi dasar bagi ide-ide kreatif pada fase Ideate. Dalam fase Prototype, desain UI dibuat dengan brand guidelines, color palette, typography, user flow, dan wireframe untuk menghasilkan tampilan aplikasi dari low fidelity hingga high fidelity. Usability Testing dilakukan untuk memastikan keberhasilan, kegunaan, dan efektivitas penggunaan aplikasi "Bookresv." Hasilnya, aplikasi mendapatkan skor rata-rata 91 dalam System Usability Scale (SUS), kategori "Good." Meskipun responden memberikan umpan balik positif terkait kemudahan penggunaan dan kegunaan aplikasi, terdapat beberapa catatan, seperti kesulitan menekan tombol dan kebutuhan optimalisasi fitur. Secara keseluruhan, penelitian ini menggarisbawahi potensi "Bookresv" untuk memenuhi kebutuhan pengguna dalam pengalaman pemesanan restoran online. Rekomendasi perbaikan dari hasil pengujian usability dapat memberikan kontribusi positif terhadap pengembangan selanjutnya.]]>
<![CDATA[Manajemen Perangkat Jaringan Access Point Menggunakan UniFi Controller di Jaringan Kampus ]]>
<![CDATA[Faizi, Muhamad Agil]]>;
<![CDATA[Christanto, Febrian Wahyu]]>
<![CDATA[ JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol. 9 No. 2 (2024): JUSTINDO ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32528/justindo.v9i2.1471
<![CDATA[Koneksi internet kampus saat ini sangat mengandalkan jaringan wireless dalam kegiatan belajar mengajar. Terdapat permasalahan dimana terdapat 8 dari 13 access point merupakan generasi lama dengan peforma kurang baik sehingga mahasiswa dan staf kesulitan untuk mengakses internet dengan lancar waktu dan hari yang padat. Untuk mengoptimalkan kinerja jaringan wireless perlu dilakukan perawatan dan manajemen terpusat untuk memudahkan tim IT kampus dalam mengelola access point yang ada. Dalam penelitian ini, metodologi yang digunakan adalah Network Development Life Cycle (NDLC) yang meliputi enam fase yaitu analisis kebutuhan, desain topologi jaringan, simulasi prototipe, implementasi, pemantauan kinerja, dan manajemen. Hasil penelitian menunjukkan bahwa penggunaan UniFi Controller dan pembaharuan perangkat access point mampu meningkatkan kualitas jaringan wireless kampus Dari hasil pengujian saat ini user jaringan wireless mendapatkan kecepatan yang sesuai yaitu 10 Mbps serta dari pengujian QoS dengan hasil Throughput : 1276 kbps, Packet loss : 0%, dan Jitter : 4.8 ms menunjukan bahwa jaringan wireless kampus saat ini sudah bertambah baik dalam akses internet.]]>
<![CDATA[Implementasi Cloud Computing Pada Prediksi Tingkat Kualitas Udara Berbasis Internet Of Things ]]>
<![CDATA[Rivangga, Satya]]>;
<![CDATA[Yanuarti, Rosita]]>;
<![CDATA[Nilogiri, Agung]]>
<![CDATA[ JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol. 9 No. 2 (2024): JUSTINDO ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32528/justindo.v9i2.1574
<![CDATA[Jumlah unit kendaraan bermotor di Kabupaten Jember selalu terjadi peningkatan selama tahun 2018 hingga 2020 yang dapat membuat kualitas udara memburuk sehingga dapat mengganggu kesehatan masyarakat saat beraktivitas pada ruang publik terbuka. Permasalahan yang terjadi adalah Kabupaten Jember masih belum memiliki alat pemantau kualitas udara di tempat-tempat tersebut sehingga masyarakat tidak tahu kualitas udara saat di tempat tersebut. Penelitian ini bertujuan untuk membuat perangkat Internet of Things (IoT) yang dapat mengukur polutan udara (CO, PM10, PM2.5) lalu menampilkan kualitas udara berdasarkan perhitungan Indeks Standar Pencemar Udara (ISPU) pada ruang publik terbuka tersebut melalui panel P5 dan perangkat tersebut dapat terintegrasi dengan layanan cloud computing supaya data sensor dapat tersimpan dan diolah untuk menghasilkan prediksi nilai ISPU polutan udara. Auto Machine Learning (AutoML) memungkinkan pengembang membuat model Machine Learning tanpa perlu membuat kode program. Penelitian ini menggunakan Auto Machine Learning (AutoML) dari Vertex AI milik Google Cloud Platform untuk membuat model forecasting. Model forecasting digunakan untuk memprediksi nilai ISPU polutan udara pada pukul 07:00:00 – 07:30:00. Berdasarkan penelitian yang telah dilakukan yaitu pengujian model forecasting yang dilakukan sebanyak dua kali gagal memberikan output forecasting dengan menggunakan dataset polutan udara yang diambil pada 20 Desember 2023 pukul 06:00:00 - 08:00:00. Sedangkan pada implementasi sistem perangkat IoT dapat menghitung nilai ISPU dan kategori ISPU berdasarkan konsentrasi nilai polutan dan data tersebut dapat tersimpan di Google Cloud Storage serta data tersebut dapat di tampilkan di panel P5. Selain itu diperoleh informasi berdasarkan data polutan udara bahwa semakin bertambahnya waktu maka nilai polutan akan semakin berkurang.]]>
<![CDATA[Penentuan Peringkat Murottal Al-Quran Menggunakan Metode Multi-Attribute Border Approximation Area Comparison (MABAC) ]]>
<![CDATA[Budi Satria Bakti]]>;
<![CDATA[Hardian Oktavianto]]>
<![CDATA[ JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol. 9 No. 2 (2024): JUSTINDO ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32528/justindo.v9i2.1656
<![CDATA[Pembelajaran Al-Quran di usia dini merupakan langkah untuk mengenalkan Al-Quran pada generasi muda. Salah satu pembelajaran Al-Quran adalah mengajarkan cara membaca Al-Quran dengan baik dan benar. Untuk itu, seorang telah dikatakan baik dan benar pada bacaannya ditentukan berdasarkan nilai dari kriteria-kriteria dalam membaca Al-Quran. Dari hasil penilaian tersebut, peringkat kemahiran seseorang dalam membaca Al-Quran bisa diperoleh. Metode penilaian yang dilakukan saat ini yang dilakukan di SD Muhammadiyah 1 Jember adalah penjumlahan nilai dari seluruh kriteria sehingga banyaknya jumlah nilai sama yang menyebabkan kesulitan dalam penentuan peringkat. Untuk itu, metode lain diperlukan agar lebih memudahkan penentuan peringkat. Salah satu metode untuk menentukan peringkat adalah metode Multi Attributive Border Approximation Area Comparison (MABAC). Metode ini menggunakan jarak kriteria pada setiap alternatif dengan mengamati jarak tersebut dari batas perkiraan area. Penentuan peringkat didapatkan dengan melakukan penghitungan normalisasi kriteria terhadap bobot alternatif yang telah ditentukan.]]>
<![CDATA[Perbandingan Klasifikasi Random Forest, Support Vector Machines, dan LGBM Pada Klasifikasi Kualitas Udara di Jakarta ]]>
<![CDATA[Anisa Ma'u Luthfi]]>;
<![CDATA[Fatkhurokhman Fauzi]]>
<![CDATA[ JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol. 9 No. 2 (2024): JUSTINDO ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32528/justindo.v9i2.1912
<![CDATA[Udara bersih merupakan kebutuhan semua makhluk di bumi guna menunjang keberlangsungan hidup. Kualitas udara di Jakarta merupakan isu serius yang perlu mendapat perhatian serius dari pemerintah dan publik. Ada beberapa faktor utama yang menyebabkan polusi udara di Jakarta. Pertama, industri yang semakin berkembang dengan cepat di wilayah metropolitan ini berkontribusi signifikan terhadap emisi gas buang yang mencemari udara. Selain itu, pertambahan jumlah kendaraan bermotor dan mobilitas tinggi juga menyebabkan peningkatan emisi gas buang yang mencemari udara. Kegiatan pembakaran sampah yang tidak teratur dan hujan asam juga turut memperburuk kualitas udara di Jakarta. Penelitian sebelumnya menunjukkan bahwa klasifikasi kualitas udara berdasarkan data Indeks Standar Pencemaran Udara (ISPU) di DKI Jakarta dengan dataset menunjukkan hasil penelitian dari kedua algoritma yang digunakan yakni metode Support Vector Machine memiliki akurasi yang lebih baik dalam melakukan klasifikasi dibandingkan dengan K-Nearest Neighbor dengan nilai akurasi pada SVM sebesar 98% sedangkan KNN sebesar 96%.Pada penelitian dilakukan Nugroho dan Kawan-kawan didapatkan hasil penelitian dengan dataset data Indeks Standar Pencemaran Udara (ISPU) di DKI Jakarta dengan algoritma Random Forest didapatkan hasil akurasi sebesar 90%. Sehingga sebagai bahan perbandingan serta untuk memilih model terbaik dan meningkatkan akurasi model untuk penelitian-penelitian sebelumnya maka di penelitian ini dilakukan perbandingan algoritma antara SVM, Random Forest, dan LGBM. Hasil percobaan menunjukkan bahwa tingkat akurasi model yang menggunakan random forest memiliki akurasi tertinggi sebesar 98%.]]>
<![CDATA[Implementasi Kombinasi LOPCOW dan Operational Competitiveness Rating Analysis Dalam Rekomendasi Tempat Wisata Indoor ]]>
<![CDATA[Setiawan, Gde Denny]]>;
<![CDATA[Octaviansyah Pasaribu, A. Ferico]]>
<![CDATA[ JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol. 9 No. 2 (2024): JUSTINDO ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32528/justindo.v9i2.1914
<![CDATA[Indoor attractions offer an exciting and comfortable holiday experience, especially for those who want to avoid extreme weather or want indoor comfort. The selection of indoor attractions is often faced with various problems involving distance, price, rating, and cleanliness. All these factors must be carefully considered to ensure that the chosen indoor attraction can provide a satisfying and enjoyable experience. The application of a combination of Logarithmic Percentage Change-Driven Objective Weighting (LOPCOW) and Operational Competitiveness Rating Analysis (OCRA) in the performance evaluation of business alternatives offers an innovative and robust approach to decision making. LOPCOW allows objective determination of criteria weighting based on logarithmic percentage changes, emphasizing the dynamics of relative performance changes between criteria. Integration with OCRA, which evaluates operational competitiveness through efficient ratio analysis. The ranking results showed that the first best rank was obtained by Puncak Mas with a final value of 1.2596, the second-best rank was obtained by Wira Garden with a final value of 1.1607, the third best rank was obtained by Lampung Walk with a final value of 1.0289. The combination of these two methods increases the accuracy and reliability of ranking results, assisting decision makers in choosing truly superior alternatives based on relevant and up-to-date data. By utilizing data-driven analysis and robust methodologies, the decision-making process becomes more efficient and can be done faster, saving time and resources.]]>
<![CDATA[Kombinasi Metode Pembobotan Entropy dan Multi-Attribute Utility Theory Dalam Penentuan Karyawan Terbaik ]]>
<![CDATA[Zofaisal Hamid, Pratama]]>;
<![CDATA[Sulistiani, Heni]]>
<![CDATA[ JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol. 9 No. 2 (2024): JUSTINDO ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32528/justindo.v9i2.1963
<![CDATA[Selecting the best employees is an important process in a company to recognize and reward the outstanding contributions of its employees. The main purpose of this selection is to motivate other employees to continue to improve the quality of their work, as well as create a competitive and productive work culture. The problem that arises is the potential for jealousy and unfair competition among employees in the selection process is considered not transparent or unfair, this can cause a sense of dissatisfaction and demotivation in employees who feel that their contributions are ignored. The combination of entropy and MAUT weighting methods has been an interesting approach in the context of determining the best employees. This combination provides a comprehensive and objective framework for making better decisions in selecting employees who best suit the company's needs. The ranking results provide an overview of the results of selecting the best employees using a combination of entropy and MAUT methods. Employees on behalf of Titin Yuliana were ranked 1st best employees with a final score of 0.4801, employees on behalf of Jepri were ranked 2nd best employees with a final score of 0.376, and employees on behalf of Andi were ranked 3rd best employees with a final score of 0.2929. The ranking results of the combination of entropy and MAUT methods can provide a more holistic picture of the employees who best suit the company's needs. By combining objective information about employee performance (using MAUT) with an objective evaluation of the weight of criteria (using Entropy), the end result can become more accurate and trustworthy.]]>
<![CDATA[Analisis Kinerja Algoritma Machine Learning dalam Prediksi Harga Cryptocurrency ]]>
<![CDATA[Syarif Aminul Khoiri]]>;
<![CDATA[Abdul Wahid]]>
<![CDATA[ JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol. 9 No. 2 (2024): JUSTINDO ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Jember ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.32528/justindo.v9i2.1965
<![CDATA[Cryptocurrency has become an increasingly popular digital asset in recent years. However, cryptocurrency prices are highly volatile and difficult to predict due to being influenced by many factors such as market sentiment, regulations, and technological adoption. This study aims to analyze the performance of several popular machine learning algorithms in accurately predicting cryptocurrency prices. We evaluated four algorithms: Linear Regression, Random Forest, Support Vector Machine (SVM), and Long Short-Term Memory (LSTM) using historical price datasets of Bitcoin, Ethereum, and Litecoin. The data were analyzed by preprocessing steps such as normalization and splitting into training and testing sets. Evaluation metrics used were Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and prediction accuracy. The experimental results showed that the LSTM algorithm had the best performance in predicting cryptocurrency prices with the highest accuracy and lowest error, followed by SVM, Random Forest, and Linear Regression. Further analysis revealed that LSTM was able to capture patterns and trends in complex time series data.]]>
