cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Fahrur Rozi
Contact Email
joeict.ubhi@gmail.com
Phone
+6285646149638
Journal Mail Official
joeict.ubhi@gmail.com
Editorial Address
Jl. Mayor Sujadi No.7, Manggisan, Plosokandang, Kec. Kedungwaru, Kabupaten Tulungagung, Jawa Timur 66229
Location
Kab. tulungagung,
Jawa timur
INDONESIA
Journal of Education and ICT
Published by Universitas Bhinneka PGRI
ISSN : 2459993X     EISSN : 29873215     DOI : https://dx.doi.org/10.29100/joeict.v9i1.7958
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management
This journal encompasses original research articles, review articles, and short communications, including: Pendidikan Teknologi Informasi Information System Artificial Intelligence AI & Expert systems Database Systems Computing Languages & Algorithms Computer Networks & Communications Computer Architecture
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 5 Documents
 1 
Search results for , issue "Vol 8, No 2 (2024)" : 5 Documents clear
AN SVM-BASED APPROACH FOR DETECTING DATA DEFINITION LANGUAGE OPERATIONS IN INDONESIAN NATURAL LANGUAGE Yayak Kartika Sari; Fahrur Rozi; Agung Prasetya
JoEICT (Jurnal of Education And ICT) Vol 8, No 2 (2024)
Publisher : STKIP PGRI TULUNGAGUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/joeict.v8i2.1649

Abstract

Text-to-SQL is an approach that enables users to interact with data-bases using natural language, eliminating the need to understand SQL syntax. However, most existing approaches translate input sentences directly into final SQL queries without explicitly identifying the type of SQL operation involved. This may obscure the distinction between structural and manipulative commands and increase the risk of execut-ing unintended or destructive queries. This study proposes separating the identification of SQL operation types—specifically Data Definition Language (DDL) commands—as a standalone classification task using the Support Vector Machine (SVM) algorithm. Indonesian-language sentences are preprocessed through tokenization, stopword removal, and stemming, then transformed into feature vectors using TF-IDF with unigram and bigram representations. Experiments were conducted on a dataset of 800 Indonesian sentences covering four DDL operations: CREATE, ALTER, DROP, and TRUNCATE. The results show that the proposed SVM model achieved an average accuracy of 93.05%, out-performing baseline models such as Naive Bayes and Random Forest. These findings indicate that early identification of SQL operation types can enhance the accuracy, efficiency, and safety of Text-to-SQL sys-tems. This work also highlights the importance of developing NLP ap-proaches tailored for the Indonesian language in the context of data-base querying.
PREDIKSI PENYAKIT DIABETES DENGAN MENGGUNAKAN NAIVE BAYES Fahrur Rozi; Bian Dwi Pamungkas; Vertika Panggayuh; Feraldy Satria Putra
JoEICT (Jurnal of Education And ICT) Vol 8, No 2 (2024)
Publisher : STKIP PGRI TULUNGAGUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/joeict.v8i2.9282

Abstract

Diabetes melitus adalah penyakit metabolik kronis yang ditandai dengan peningkatan kadar gula darah. Prediksi dini diabetes sangat penting untuk mencegah komplikasi serius. Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma Naive Bayes dalam memprediksi diabetes menggunakan dataset yang komprehensif. Penelitian ini menggunakan dataset diabetes dari Kaggle yang berisi informasi kesehatan individu, seperti usia, jenis kelamin, indeks massa tubuh (BMI), riwayat keluarga diabetes, dan hasil tes gula darah. Dataset ini dibagi menjadi data latih (75%) dan data uji (25%). Model Naive Bayes dibangun menggunakan data latih dan dievaluasi kinerjanya pada data uji. Hasil penelitian menunjukkan bahwa model Naive Bayes mencapai akurasi 78,89% dalam memprediksi diabetes. Selain itu, presisi model adalah 64,29%, recall 67,74%, dan F1-score 66,00%. Penelitian ini juga mengeksplorasi pengaruh proporsi data uji terhadap kinerja model. Hasilnya menunjukkan bahwa akurasi model relatif stabil di sekitar 71-76% untuk semua proporsi data uji. Secara keseluruhan, penelitian ini menunjukkan bahwa Naive Bayes dapat digunakan untuk membangun model prediksi diabetes yang cukup akurat. Penelitian lebih lanjut dapat fokus pada peningkatan recall model dan penggunaan dataset yang lebih besar dan beragam
IDENTIFYING ARITHMETIC OPERATION IN MATH WORD PROBLEM BASED ON RECURSIVE NEURAL NETWORK AND SUPPORT VECTOR MACHINE Agung Prasetya
JoEICT (Jurnal of Education And ICT) Vol 8, No 2 (2024)
Publisher : STKIP PGRI TULUNGAGUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/joeict.v8i2.7421

Abstract

Math word problems act as a test bed to design an intelligent system. An approach is needed to identify arithmetic operations including addition, substraction, multiplication and division. Template-based approaches have addressed this problem. However, the template-based approach is less efficient because it requires the process of building a template repository that have to cover a wide variety of story implied by math words. The template-based approach is potentially sub-optimal when solving story problems that have not been covered yet by templates. The proposed approach resolves this by using Recursive Neural Network and Support Vector Machine. Recursive neural network is used as an encoder that can generate semantic vectors of math word problems. Then, this vector becomes as an input for a Support Vector Machine-based classifier. Tests were conducted on a dataset collected manually from Kemdikbud’ electronic school books. The results showed that the proposed approach does not require the formation of templates, thereby reducing human involvement. In addition, the use of Recursive Neural Network reduces feature engineering making it more efficient. Experimental results by applying k-fold cross validation show that the proposed approach has an accuracy of 81% and a precision of 66%
PENGEMBANGAN SISTEM INFORMASI INVENTARIS BARANG DI LABORATORIUM ROBOTIKA UNIVERSITAS BHINNEKA PGRI BERBASIS WEB Bian Dwi Pamungkas; Muhammad Alifi Ferdiansyah; Abdul Haris Indrakusuma; Vertika Panggayuh
JoEICT (Jurnal of Education And ICT) Vol 8, No 2 (2024)
Publisher : STKIP PGRI TULUNGAGUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/joeict.v8i2.9280

Abstract

Laboratorium adalah fasilitas dengan peralatan khusus untuk penelitian dan eksperimen. Inventarisasi peralatan sering dilakukan secara manual, sehingga dibutuhkan sistem informasi untuk mempermudah monitoring. Penelitian ini bertujuan mengembangkan sistem informasi inventaris barang di laboratorium robotika Universitas Bhinneka PGRI berbasis web untuk membantu pencatatan, penggandaan, peminjaman, dan pengembalian barang. Jenis penelitian yang digunakan adalah penelitian dan pengembangan atau Research and Development (RnD) dengan model Agile Development. Agile Development terdiri dari 6 fase yaitu: (1) Planning, (2) Implementation, (3) Testing, (4) Documentation, (5) Deployment, (6) Maintenance. Hasil penilaian dari ahli media I dan ahli media II dapat dinyatakan bahwa produk yang dikembangkan telah mencapai kriteria yang sangat valid dengan pencapaian persentase sebesar 100% pada aspek Compatibility dan 100% pada aspek Functional Suitability. Sedangkan hasil penilaian dari uji kelompok kecil dapat dinyatakan bahwa produk yang dikembangkan telah mencapai kriteria Excellent dengan pencapaian nilai sebesar 94,16. Kemudian hasil penilaian dari uji kelompok besar yang memperoleh nilai 93,5 yang masuk dalam kriteria Excellent. Berdasarkan hasil penelitian maka disimpulkan bahwa sistem informasi inventasris barang di laboratorium robotika Universitas Bhinneka PGRI berbasis web sudah sangat layak untuk digunakan..
PENGEMBANGAN MEDIA PEMBELAJARAN MODUL ELEKTRONIK BERBASIS ANDROID PADA MATA PELAJARAN MATEMATIKA Abdul Haris Indrakusuma; Vertika Panggayuh; Fahrur Rozi; Richo Prastianto
JoEICT (Jurnal of Education And ICT) Vol 8, No 2 (2024)
Publisher : STKIP PGRI TULUNGAGUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/joeict.v8i2.9286

Abstract

Pada era revolusi industri 4.0 saat ini, kemajuan teknologi dan informasi (TI) memberikan pengaruh besar pada bidang pendidikan. Perkembangan teknologi dan informasi (TI) saat ini dapat dimanfaatkan oleh tenaga pendidik guna menciptakan media pembelajaran yang menarik dan bervariasi. Dengan terciptanya media pembelajaran yang menarik dan bervariasi, diharapkan dapat meningkatkan keaktifan, serta meningkatkan hasil belajar peserta didik. Penelitian ini bertujuan untuk mengembangkan media pembelajaran modul elektronik berbasis android yang layak pada mata pelajaran Matematika di SMP Negeri 6 Tulungagung. Metode yang digunakan dalam penelitian ini adalah metode penelitian RD (Research and Development) dengan model penelitian 4D (Four-D). Model ini dipilih karena memiliki kelebihan yang sangat cocok untuk mengembangkan perangkat pembelajaran dengan tahapan-tahapan pelaksanaan yang cukup detail. Model pengembangan ini terdiri dari 4 tahap pengembangan, yaitu tahap pendefinisian (define), tahap perencanaan (design), tahap pengembangan (develop), dan tahap penyebaran (disseminate). Pada penelitian ini didapatkan hasil uji coba produk pada ahli media I sebesar 84%, ahli media II sebesar skor 99%, ahli materi dengan sebesar 90,9%, uji coba kelompok kecil sebesar 92%, dan uji coba kelompok besar sebesar 94,5%. Berdasarkan hasil skor rata-rata dari 5 kali uji coba didapatkan presentase skor 92,1% yang termasuk dalam kategori “Sangat Layak” untuk diterapkan dalam kegiatan pembelajaran

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2024 2024


Reset
Filter By Issues
All Issue Vol 9, No 2 (2025) Vol 9, No 1 (2025) Vol 8, No 2 (2024) Vol 8, No 1 (2024) Vol 7, No 2 (2023) Vol 7, No 1 (2023) Vol 6, No 2 (2022) Vol 6, No 1 (2022) Vol 5, No 2 (2021) Vol 5, No 1 (2021) Vol 4, No 2 (2020) Vol 3, No 2 (2019) Vol 3, No 1 (2019) Vol 2, No 1 (2018) Vol 1, No 1 (2017) More Issue