cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
MUHAMMAD AMIRUL MU'MIN
Contact Email
amirulmukmin@umbima.ac.id
Phone
+628989284518
Journal Mail Official
mhamirulmumin@gmail.com
Editorial Address
RORA, RT/RW 004/002, KECAMATAN DONGGO, KABUPATEN BIMA
Location
Kota bima,
Nusa tenggara barat
INDONESIA
Scientific: Journal of Computer Science and Informatics
Published by Universitas Muhammadiyah Bima
ISSN : -     EISSN : 30901391     DOI : https://doi.org/10.34304/scientific
Core Subject : Science,
Computer Science & IT
Scientific: Journal of Computer Science and Informatics focuses on various fields of computer science and computer engineering, including: Management Information System Big Data and Data Mining Software Development (Mobile Application and Web Development) Machine Learning and Artificial Intelligence Natural Language Processing Computer Network Computer Security Data Science Pattern Recognition and Image Processing Signal Pocessing Computer Science Review (Systematic Literature Review) Scientific: Journal of Computer Science and Informatics is a platform for publishing innovative research and scientific studies in computer science and computer engineering. The main objective of Scientific is to advance knowledge from various branches of computer science. The scope and aspects are covered in the Scientific journal.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 21 Documents
 1   2   3 
Pengenalan Citra Batik Tradisional Menggunakan Deep Learning untuk Klasifikasi Motif Daerah Fanani, Galih Pramuja Inngam; Muhammad Amirul Mu'min; Yana Safitri; Setiawan Ardi Wijaya; Novi Tristanti; Tri Stiyo Famuji
Scientific: Journal of Computer Science and Informatics Vol. 2 No. 1 (2025): Januari 2025
Publisher : Universitas Muhammadiyah Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34304/scientific.v2i1.336

Abstract

Batik merupakan warisan budaya Indonesia yang kaya akan nilai estetika dan keragaman motif berdasarkan asal daerahnya. Namun, upaya digitalisasi dan klasifikasi motif batik secara otomatis masih menghadapi tantangan, terutama dalam hal ketersediaan dataset representatif dan pendekatan pemodelan yang optimal. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi motif batik berdasarkan daerah asal menggunakan metode deep learning berbasis Convolutional Neural Network (CNN). Dataset citra batik yang digunakan terdiri dari 1.200 gambar, mewakili empat daerah utama yaitu Solo, Pekalongan, Cirebon, dan Madura. Model CNN dirancang dengan empat blok konvolusi dan dua fully connected layer, serta dilatih menggunakan optimizer Adam dan teknik early stopping. Hasil eksperimen menunjukkan bahwa model mencapai akurasi klasifikasi yang tinggi dan mampu membedakan motif berdasarkan karakteristik visual khas masing-masing daerah. Meskipun terdapat sedikit kesalahan klasifikasi antara motif yang memiliki kemiripan visual, secara keseluruhan model menunjukkan kinerja yang baik dan stabil. Penelitian ini menyimpulkan bahwa pendekatan deep learning efektif dalam mengenali motif batik secara otomatis dan berpotensi diimplementasikan dalam aplikasi edukasi budaya maupun promosi digital batik berbasis kecerdasan buatan.
Evaluasi Keberhasilan Implementasi Sistem Informasi Rumah Sakit Menggunakan Model DeLone and McLean Fathoni, Arif; Arfan, Muhammad
Scientific: Journal of Computer Science and Informatics Vol. 1 No. 2 (2024): Juli 2024
Publisher : Universitas Muhammadiyah Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34304/scientific.v1i2.337

Abstract

Penerapan Sistem Informasi Rumah Sakit (SIRS) telah menjadi kebutuhan penting dalam menunjang efisiensi operasional dan peningkatan kualitas layanan kesehatan. Namun, keberhasilan implementasi SIRS tidak hanya ditentukan oleh ketersediaan teknologi, tetapi juga oleh sejauh mana sistem tersebut diterima dan digunakan secara efektif oleh pengguna. Penelitian ini bertujuan untuk mengevaluasi keberhasilan implementasi SIRS di rumah sakit di Kota Malang menggunakan model DeLone and McLean. Model ini menilai keberhasilan sistem informasi berdasarkan enam dimensi utama: kualitas sistem, kualitas informasi, kualitas layanan, penggunaan, kepuasan pengguna, dan manfaat bersih. Penelitian dilakukan pada tahun 2023 dengan melibatkan 120 responden dari tiga rumah sakit rujukan di Kota Malang, mencakup tenaga medis, staf administrasi, dan personel TI. Data dikumpulkan melalui kuesioner dan dianalisis menggunakan regresi berganda. Hasil penelitian menunjukkan bahwa kualitas sistem, kualitas informasi, dan penggunaan memiliki pengaruh signifikan terhadap kepuasan pengguna dan manfaat bersih. Meskipun sebagian besar responden menilai sistem cukup memadai, aspek kualitas layanan masih menjadi titik lemah yang perlu diperbaiki. Temuan ini memberikan implikasi penting bagi manajemen rumah sakit dalam merancang strategi peningkatan implementasi sistem informasi yang lebih efektif dan berorientasi pada pengguna.
Strategi dan Efektivitas Deep Learning untuk Mitigasi Ancaman Keamanan Jaringan di Era IoT Safitri, Yana; Dahlan; Maulana Muhammad Jogo Samodro
Scientific: Journal of Computer Science and Informatics Vol. 2 No. 1 (2025): Januari 2025
Publisher : Universitas Muhammadiyah Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34304/scientific.v1i2.338

Abstract

Pertumbuhan pesat perangkat Internet of Things (IoT) telah membuka peluang besar dalam transformasi digital di berbagai sektor, namun juga menghadirkan tantangan serius terkait keamanan jaringan. Perangkat IoT yang umumnya memiliki kapasitas komputasi terbatas menjadi sasaran empuk bagi berbagai jenis serangan siber. Penelitian ini bertujuan untuk mengevaluasi efektivitas berbagai pendekatan deep learning dalam mendeteksi ancaman keamanan pada jaringan IoT secara otomatis dan adaptif. Metode yang digunakan mencakup eksperimen komparatif terhadap beberapa arsitektur deep learning, seperti Transformer, CNN + LSTM, dan GAN + CNN, dengan memanfaatkan dataset publik UNSW-NB15. Penilaian performa dilakukan menggunakan metrik evaluasi seperti akurasi dan F1-score, serta analisis kemampuan model dalam mendeteksi serangan kompleks seperti DDoS, port scanning, dan serangan zero-day. Hasil penelitian menunjukkan bahwa model Transformer unggul dengan akurasi mencapai 99,1%, sementara model GAN + CNN menunjukkan keunggulan dalam mendeteksi pola serangan baru yang belum dikenali sebelumnya. Model CNN + LSTM juga terbukti efektif dalam menangkap pola spasio-temporal serangan. Penelitian ini memberikan kontribusi signifikan dalam pengembangan sistem deteksi intrusi cerdas berbasis deep learning untuk ekosistem IoT. Temuan ini berpotensi diterapkan pada sistem keamanan jaringan real-time dan berskala besar yang adaptif terhadap ancaman baru.
Analisis Perancangan Sistem Informasi Pendukung Keputusan untuk Mitigasi Bencana Alam Berbasis Data Real-Time Fathir; Tri Stiyo Famuji; Erin Eka Citra; Siti Mutmainah
Scientific: Journal of Computer Science and Informatics Vol. 2 No. 1 (2025): Januari 2025
Publisher : Universitas Muhammadiyah Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34304/scientific.v2i1.339

Abstract

Sistem informasi pendukung keputusan (SPK) berbasis data real-time memiliki peran krusial dalam mitigasi bencana alam, terutama di kawasan rawan seperti Indonesia. Penelitian ini bertujuan untuk menganalisis perancangan SPK yang mampu memproses data real-time dari berbagai sumber, seperti sensor lingkungan, satelit, dan media sosial, guna mendukung pengambilan keputusan yang cepat dan akurat oleh pihak berwenang. Metode penelitian meliputi analisis kebutuhan, desain sistem menggunakan pendekatan berbasis cloud, dan pengujian prototipe dengan skenario simulasi bencana. Hasil penelitian menunjukkan bahwa sistem yang dirancang dapat mengurangi waktu respons hingga 40% dan meningkatkan akurasi prediksi risiko bencana sebesar 75%. Pembahasan menyoroti pentingnya integrasi teknologi big data dan machine learning dalam meningkatkan efektivitas mitigasi. Kesimpulannya, SPK berbasis data real-time menawarkan solusi inovatif untuk mengatasi tantangan mitigasi bencana alam di era digital.
Perbandingan Konfigurasi Jaringan LAN dan WAN dalam Mendukung Kecepatan Akses pada Perusahaan Teknologi Khaeruddin; Alamin, Zumhur
Scientific: Journal of Computer Science and Informatics Vol. 2 No. 1 (2025): Januari 2025
Publisher : Universitas Muhammadiyah Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34304/scientific.v2i1.340

Abstract

Performa jaringan komputer memiliki peran krusial dalam mendukung efisiensi operasional perusahaan, khususnya pada sektor teknologi yang sangat bergantung pada kecepatan dan kestabilan transmisi data. Penelitian ini bertujuan untuk membandingkan performa jaringan Local Area Network (LAN) dan Wide Area Network (WAN) dalam mendukung kecepatan akses data pada perusahaan teknologi. Metode eksperimen digunakan untuk menguji empat parameter utama, yaitu throughput, latensi, jitter, dan packet loss, dalam tiga kondisi lalu lintas: idle, normal, dan high traffic. Hasil pengujian menunjukkan bahwa LAN secara signifikan lebih unggul dibandingkan WAN pada seluruh parameter. Rata-rata throughput LAN mencapai 918,3 Mbps, jauh lebih tinggi dibandingkan WAN yang hanya sebesar 207,6 Mbps. Selain itu, LAN mencatatkan latensi rendah (1,3 ms), jitter yang stabil (0,7 ms), dan tingkat kehilangan paket yang sangat kecil (0,04%). Sebaliknya, WAN menunjukkan performa yang fluktuatif dengan latensi tinggi (52,4 ms), jitter tidak stabil (8,9 ms), dan packet loss yang signifikan (2,1%). Penelitian ini menyimpulkan bahwa LAN lebih unggul dalam mendukung akses data berkecepatan tinggi dan aplikasi real-time. Temuan ini memberikan bukti empiris bahwa LAN merupakan pilihan yang lebih efisien dan andal untuk kebutuhan perusahaan yang membutuhkan akses data cepat dan stabil. Kontribusi ilmiah dari penelitian ini terletak pada penyajian analisis komparatif berbasis data aktual yang dapat digunakan sebagai acuan dalam perencanaan infrastruktur jaringan perusahaan.
Desain Sistem Keamanan Sepeda Motor Menggunakan Mikrokontroller Arduino dan Sensor Fingerprint ZFM-60 Berbasis Mobile Dahlan; Mu'min, Muhammad Amirul
Scientific: Journal of Computer Science and Informatics Vol. 2 No. 1 (2025): Januari 2025
Publisher : Universitas Muhammadiyah Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34304/scientific.v2i1.343

Abstract

Tingginya angka pencurian kendaraan bermotor, khususnya sepeda motor, mendorong kebutuhan akan sistem keamanan yang lebih andal dan berbasis teknologi. Penelitian bertujuan untuk merancang dan mengimplementasikan sistem keamanan sepeda motor berbasis sensor sidik jari (fingerprint) yang terintegrasi dengan mikrokontroler Arduino dan aplikasi mobile. Sistem dikembangkan untuk memastikan bahwa hanya pengguna yang terdaftar yang dapat mengakses dan menghidupkan kendaraan. Dengan metode yang digunakan mencakup integrasi sensor fingerprint ZFM-60 dengan Arduino Uno, serta komunikasi nirkabel antara sistem perangkat keras dan aplikasi Android melalui modul Bluetooth HC-05. Hasil pengujian menunjukkan bahwa sistem mampu mengenali sidik jari secara akurat dan merespons perintah dengan waktu pemrosesan rata-rata kurang dari 2 detik. Selain itu, aplikasi mobile berhasil menampilkan status sistem secara real-time dan memberikan antarmuka yang intuitif bagi pengguna. Hasil penelitian menyimpulkan bahwa sistem yang dikembangkan mampu meningkatkan keamanan kendaraan secara signifikan dengan pendekatan biometrik dan kendali jarak dekat berbasis mobile. Kontribusi penelitian ini terletak pada penerapan teknologi biometrik yang efisien dan terjangkau untuk sistem keamanan kendaraan pribadi.
Optimasi Ekstraksi Fitur Citra Karakter Font Menggunakan Algoritma Support Vector Machines (SVM) untuk Klasifikasi Tipografi Alamin, Zumhur; Sutriawan; Siti Mutmainah; Muhammad Hayun
Scientific: Journal of Computer Science and Informatics Vol. 2 No. 1 (2025): Januari 2025
Publisher : Universitas Muhammadiyah Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34304/scientific.v2i1.344

Abstract

Klasifikasi tipografi berbasis citra karakter merupakan salah satu tantangan penting dalam bidang pengenalan pola dan pengolahan citra digital, terutama dalam konteks digitalisasi dokumen dan sistem OCR (Optical Character Recognition). Penelitian ini bertujuan untuk mengoptimalkan proses ekstraksi fitur citra karakter font dengan memanfaatkan kombinasi beberapa teknik fitur serta algoritma Support Vector Machines (SVM) untuk klasifikasi. Metode yang digunakan melibatkan preprocessing citra karakter, ekstraksi fitur menggunakan Histogram of Oriented Gradients (HOG), Local Binary Pattern (LBP), dan Zoning, serta pelatihan model SVM dengan kernel Radial Basis Function (RBF). Dataset yang digunakan terdiri dari 2.600 citra karakter dalam format grayscale yang berasal dari lima jenis font populer. Dataset ini dibagi menjadi data latih dan data uji untuk keperluan pelatihan dan evaluasi model. Hasil eksperimen menunjukkan bahwa kombinasi fitur HOG dan Zoning menghasilkan akurasi klasifikasi tertinggi sebesar 94,6%, mengungguli teknik fitur tunggal maupun kombinasi dua fitur lainnya. Temuan ini menunjukkan bahwa pemilihan dan penggabungan teknik ekstraksi fitur yang tepat secara signifikan meningkatkan performa klasifikasi tipografi citra karakter. Penelitian ini memberikan kontribusi dalam pengembangan sistem klasifikasi font yang lebih akurat dan efisien, serta membuka peluang aplikasi lebih lanjut dalam digital forensik, sistem pencarian berbasis citra, dan digitalisasi arsip.
Klasifikasi Hama dan Penyakit Tanaman Padi Menggunakan Algoritma Decision Tree Amilia Umi Astagina; Juniar, Eka; Siti Mutmainah; Teguh Ansyor Lorosae
Scientific: Journal of Computer Science and Informatics Vol. 2 No. 2 (2025): Juli 2025
Publisher : Universitas Muhammadiyah Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34304/scientific.v2i2.376

Abstract

Sektor pertanian, khususnya budidaya padi, memegang peran penting dalam mendukung ketahanan pangan nasional di Indonesia. Namun, serangan hama dan penyakit masih menjadi tantangan serius bagi para petani karena dapat menurunkan hasil produksi. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis untuk mengidentifikasi jenis hama dan penyakit yang menyerang tanaman padi. Metode yang digunakan adalah algoritma Decision Tree, yang diterapkan pada dataset dari Kaggle dengan atribut seperti umur tanaman, tinggi, kondisi daun, serta gejala penyakit dan hama. Proses klasifikasi dilakukan menggunakan bahasa pemrograman Python, meliputi tahapan pra-pemrosesan data, pemisahan data pelatihan dan pengujian, serta evaluasi kinerja model menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa model Decision Tree mampu melakukan klasifikasi dengan tingkat akurasi sebesar 71,67%. Meskipun demikian, model masih mengalami kendala pada distribusi data yang tidak merata di beberapa kelas. Dengan pengembangan lanjutan, sistem ini berpotensi membantu petani dalam mendeteksi hama dan penyakit secara lebih cepat, sehingga dapat meningkatkan produktivitas pertanian dan mendukung ketahanan pangan nasional.
Identifikasi Faktor Utama Penyabab Serangan Jantung Menggunakan Algoritma Logistic Regression Hikmah, Fidinil; Haerunisah; Indah Afryani
Scientific: Journal of Computer Science and Informatics Vol. 2 No. 2 (2025): Juli 2025
Publisher : Universitas Muhammadiyah Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34304/scientific.v2i2.386

Abstract

Penelitian ini bertujuan untuk mengidentifikasi faktor utama penyebab serangan jantung dengan menggunakan algoritma Logistic Regression sebagai metode klasifikasi. Data yang digunakan berasal dari dataset medis yang mencakup sejumlah variabel penting seperti usia, jenis kelamin, tekanan darah sistolik dan diastolik, kadar gula darah, serta biomarker jantung seperti CK-MB dan troponin. Model dikembangkan untuk memprediksi kemungkinan terjadinya serangan jantung dengan membagi data ke dalam dua kelas: positif (mengalami serangan jantung) dan negatif (tidak mengalami serangan jantung). Hasil evaluasi menunjukkan bahwa model memiliki akurasi sebesar 81,78% dengan nilai F1-score yang seimbang, menandakan performa yang konsisten dalam mengenali kedua kelas. Temuan ini memperkuat bahwa algoritma Logistic Regression tidak hanya efektif dalam klasifikasi biner, tetapi juga mampu mengidentifikasi variabel-variabel yang paling signifikan dalam memengaruhi risiko. Hasil akhir diharapkan dapat memberikan kontribusi nyata dalam pengembangan sistem pendukung keputusan medis yang lebih cepat, akurat, dan berbasis data.
Identifikasi Gangguan Tidur Menggunakan Klasifikasi Berbasis Decision Tree Andriani, Fifi; Rahmania, Nur; Nur Alfiana
Scientific: Journal of Computer Science and Informatics Vol. 2 No. 2 (2025): Juli 2025
Publisher : Universitas Muhammadiyah Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34304/scientific.v2i2.394

Abstract

Kondisi gangguan tidur sering kali tidak disadari sejak dini oleh banyak individu, sehingga berpotensi memburuk dan menimbulkan masalah kesehatan fisik maupun psikologis jangka panjang yang serius. Deteksi dini sangat dibutuhkan untuk mengantisipasi dampak negatif lebih lanjut dan mengurangi beban penyakit terkait tidur di masyarakat. Penelitian ini mengembangkan dan mengevaluasi sistem klasifikasi gangguan tidur berbasis algoritma Decision Tree melalui proses pelatihan dan pengujian model, dengan tujuan membantu masyarakat mendeteksi gangguan tidur secara cepat dan efisien. Sistem ini memanfaatkan dataset Sleep Health and Lifestyle dari Kaggle, yang terdiri atas 374 sampel dengan 13 atribut terkait pola tidur dan gaya hidup. Model klasifikasi yang dikembangkan membedakan tiga kategori gangguan: No Disorder, Sleep Apnea, dan Insomnia. Hasil pengujian menunjukkan model mencapai akurasi sebesar 89 persen. Angka akurasi tersebut menunjukkan keandalan metode Decision Tree dalam mengklasifikasikan gangguan tidur sesuai kategorinya. Keunggulan sistem ini terletak pada kemampuannya mengidentifikasi gangguan tidur secara mandiri kapan pun dan di mana pun. Dengan demikian, pengguna tidak perlu terlebih dahulu mengunjungi tenaga kesehatan, sehingga sistem ini diharapkan mempermudah deteksi dini gangguan tidur dan meningkatkan kesadaran masyarakat akan pentingnya menjaga kualitas tidur.

Page 2 of 3 | Total Record : 21

 1   2   3 

Filter by Year

2024 2025


Reset
Filter By Issues
All Issue Vol. 2 No. 2 (2025): Juli 2025 Vol. 2 No. 1 (2025): Januari 2025 Vol. 1 No. 2 (2024): Juli 2024 Vol. 1 No. 1 (2024): January 2024