cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Rizky Prabowo
Contact Email
jurnalkomputasi@fmipa.unila.ac.id
Phone
+6285840180508
Journal Mail Official
jurnalkomputasi@fmipa.unila.ac.id
Editorial Address
ilmu komputer universitas lampung jalan Prof.Dr. Soemantri Brojonegoro, No.1 Bandar Lampung, Lampung
Location
Kota bandar lampung,
Lampung
INDONESIA
Jurnal Komputasi
Published by Universitas Lampung
ISSN : 25410296     EISSN : 25410350     DOI : https://doi.org/10.23960/komputasi
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering
Jurnal Komputasi E-ISSN 2541-0350 P-ISSN 2541-0296 publised by Departement Computer Science, Faculty of Mathematics and Natural Sciences, University of Lampung. peer-reviewed journal. This journal covers all topics of computer science which includes: Computer Science Information System Software Engineering Data Mining Artificial Intelligence Networking Multimedia Database
Arjuna Subject : Ilmu Komputer (semua kategori) - Perangkat Lunak
Articles 272 Documents
 20   21   22   23   24 
Implementasi Metode Naive Bayes pada Sistem Pakar Diagnosis Penyakit Kutu Ikan Gurami (Argunus Indicus) Agus Wantoro; Heni Sulistiyani; Yodhi Yuniarthe; Arie Setya Putra; Apri Candra Widyawati; Nanda Putra Wicaksono
Jurnal Komputasi Vol. 10 No. 1 (2022)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v10i1.2956

Abstract

Ikan Gurami (Oshpronemus gouramy) adalah salah satu ikan ekonomis air tawar penting di subsektor perikanan budi daya atau akuakultur (aquaculture), khususnya budi daya air tawar (freshwater aquaqulture).  Penyakit pada ikan gurami selain dapat menimbulkan kerugian berupa kematian ikan juga dapat menurunkan kualitas ikan yaitu kesegaran, warna, dan cacat tubuh yang kesemuanya tentu saja akan berpengaruh pada harga jual/nilai ekonomis ikan tersebut. Adapun kematian yang ditimbulkannya dapat mencapai 50%-100%. Untuk mengurangi kerugian akibat tingkat kematian yang tinggi maka dibutuhkan seorang pakar dalam melakukan diagnosis penyakit ikan. Faktanya tidak semua peternak ikan gurami memahami cara melakukan diagnosis, oleh karena itu dibutuhkan sebuah sistem pakar yang dapat digunakan untuk membantu peternak untuk diagnosis penyakit kutu ikan berdasarkan gejala. Hasil evaluasi sistem menggunakan 20 (dua puluh) data gejala ikan yang diperoleh dari peternak ikan gurami tahun 2021 yang dibandingkan dengan keyakinan pakar lalu dihitung menggunakan tabelconfusion matrix didapatkan nilai accuracy sebesar 94.2%, precision 95%, sensiivity 95% dan specivity 93.3%. Hasil evaluasi membuktikan bahwa metode Naïve Bayes berhasil memberikan hasil diagnosis yang baik, sehingga sistem yang dikembangkan dapat digunakan untuk oleh peternak ikan dalam melakukan diagnosis pada penyakit ikan gurami
IMPLEMENTASI FUZZY INFERENCE SYSTEM (FIS) METODE TSUKAMOTO UNTUK MONITORING KUALITAS UDARA Robby Yuli Endra; Galih Agus Saputra
Jurnal Komputasi Vol. 10 No. 1 (2022)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v10i1.2962

Abstract

Kurangnya alat pemantau kualitas udara yang ada didaerah-daerah yang ada di Indonesia akan dampak buruk bagi kesehatan apabila terjadi penurunan kualitas udara yang tidak disadari. Penelitian ini bertujuan untuk merancang alat monitoring kualitas udara menggunakan fuzzy inference system metode tsukamoto untuk memberikan informasi berupa nilai kualitas udara. Dengan menggunakan 3 jenis sensor polutan yang berbeda yaitu MQ2 untuk mendeteksi asap, MQ7 untuk mendeteksi karbon monoksida (CO) dan Sharp GP2YAUF untuk mendeteksi kadar debu yang beterbangan maka, data dari hasil bacaan tiap sensor diolah menggunakan fis metode tsukamoto untuk mendapatkan nilai hasil dan kategori kualitas udara yang kemudian hasil tersebut akan ditampilkan di sebuah website monitoring sebagai media informasi. Pada prosesnya rangkaian alat perlu terhubung dengan jaringan agar dapat melakukan proses pengiriman data sensor kedalam database, setelah data tersimpan di-database kemudian website akan melakukan kalkulasi perhitungan dengan menggunakan metode tsukamoto secara otomatis untuk mendapatkan hasil nilai dan kategori kualitas udara yang terbaca oleh sensor yang kemudian hasilnya akan ditampilkan pada website monitoring. Dari penelitian ini akan menghasilkan sebuah alat monitoring kualitas udara dengan menggunakan fuzzy inference system metode tsukamoto sebagai metode untuk menentukan hasil nilai dan kategorinya.
Implementation of Learning Management System based on Moodle Ruang Belajar for Optimizing Online Learning Siti Qomariah; Muhammad Nasir; Rahmadani Rahmadani
Jurnal Komputasi Vol. 10 No. 1 (2022)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v10i1.2957

Abstract

Pandemi Covid-19 yang melanda seluruh dunia menimbulkan dampak di segala bidang salah satunya pendidikan, dimana pola pembelajaran tatap muka berubah menjadi pola pembelajaran daring dan sekarang menjadi pembelajaran campuran dimana pemebelajaran dilakukan secara tatap mukan dan juga secara virtual. Penelitian ini betujuan adalah menghasilkan pengembangan LMS sebagai media pembelajaran daring mengunakan plaform moodle dengan metode penelitian yang digunakan adalah Research and Development (R&D) dengan model pengembangan yang digunakan model ADDIE yaitu Analysis, Design, Development, Implementation, Evaluation.  Untuk instrument penelitian adlah kuisioner dengan respondenn adalah dosen dan mahasiswa.  Untuk pengujian aplikasi Ruang Belajar digunakan pengujian blackbox.  Hasil penelitian menunjukan bahwa media pemebelajara ruang belajar dibangun dengan mengunkan software moodle, dengan server local adalah XAMMP.  Pada pengujian  blackbox  sistem kerja berjalan dengan baik, komponen mau fungsi juga berjalan dengan baik dapat disimpulkan bahwa LMS ruang belajar sangat setuju "digunakan dalam pembelajaran. Berdasarkan pengujian beta testing dengan instrument penelitian didapakan hasil berupa 89%  media pembelajaran dinilai sangat setuju terhadap aplikasi ini.
Perbandingan Nilai K pada Klasifikasi Pneumonia Anak Balita Menggunakan K-Nearest Neighbor Dwi Kartini; Andi Farmadi; Muliadi muliadi; Dodon Turianto Nugrahadi; Pirjatullah Pirjatullah
Jurnal Komputasi Vol. 10 No. 1 (2022)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v10i1.2965

Abstract

Pneumonia adalah penyakit menular yang menyerang saluran pernapasan bagian bawah dan merupakan salah satu penyebab utama kematian pada anak-anak di bawah lima tahun. Pneumonia mudah menyerang balita yang disebabkan oleh berbagai mikroorganisme yang ada di lingkungan seperti virus, bakteri, jamur dan bakteri mikro. Penelitian ini menggunakan K-Nearest Neighbor (KNN) untuk klasifikasi pneumonia pada pasien berdasarkan gejala yang dialami. Metode klasifikasi KNN dilakukan dengan membandingkan jarak objek antara data tes dan objek keseluruhan pada data pelatihan berdasarkan data riwayat medis pasien. Perbandingan persentase data pelatihan dan data pengujian yang digunakan adalah 90:10, 80:20, dan 70:30 untuk menghitung nilai jarak terdekat dari data pengujian dengan data pelatihan keseluruhan dengan jumlah k yang digunakan. Matriks kebingungan digunakan untuk mengukur hasil tes klasifikasi Pneumonia untuk balita dengan kombinasi jumlah data pelatihan dan data pengujian pada jumlah nilai k = {1, 3, 5, 7, 9, 11}, akurasi tertinggi, presisi, penarikan, dan nilai ukuran-F diperoleh. 0,86, 0,89, 1, dan 0,91 untuk data pelatihan 90%, 10% data pengujian dengan nilai k = 3.
Implementasi Reduksi Fitur t-SNE Pada Clustering Gambar Head shape Nematoda Muhammad Rizky Adriansyah; Mohammad Reza Faisal; Abdul Gafur; Radityo Adi Nugroho; Irwan Budiman; Muliadi Muliadi
Jurnal Komputasi Vol. 10 No. 1 (2022)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v10i1.2963

Abstract

Pada penelitan ini dilakukan clustering terhadap gambar head shape nematoda, dalam melakukan pengolahan gambar diperlukan metode ekstraksi fitur untuk menemukan informasi penting dari gambar yang akan diolah, salah satu esktraksi fitur yang bisa digunakan adalah wavelet. Setelah gambar melewati ekstraksi fitur dihasilkan sebanyak 5624 fitur, dengan fitur sebanyak ini dapat mengakibatkan waktu komputasi yang lama. Oleh sebab itu perlu dilakukan reduksi fitur untuk mengurangi jumlah fitur yang awalnya 5624 fitur menjadi 2 atau 3 fitur saja, salah satu metode reduksi fitur terbaru yang bisa digunakan adalah t-SNE. Pada penelitian ini dilakukan perbandingan hasil kualitas cluster antara yang menggunakan reduksi fitur dengan yang tidak. Hasil Silhouette Index   yang didapatkan tanpa reduksi fitur adalah 0.046 dan setelah menggunakan reduksi fitur t-SNE terjadi peningkatan yang cukup signifikan menjadi 0.418.
Klasifikasi Penyakit Daun Padi menggunakan Random Forest dan Color Histogram Sarifah Agustiani; Yoseph Tajul Arifin; Agus Junaidi; Siti Khotimatul Wildah; Ali Mustopa
Jurnal Komputasi Vol. 10 No. 1 (2022)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v10i1.2961

Abstract

Indonesia is an agrarian country, which is a sector that plays an important role most of the Indonesian population makes agriculture the main focus, but the function of rice fields into housing or industry has resulted in a decrease in rice production, in addition to pests, diseases, unfavorable weather, Irrigation is not smooth resulting in less than the maximum yield. For this reason, it is necessary to have technology that can implement the process of detecting rice leaf disease in order to provide information to farmers about rice leaf damage. The most modern approach today can be done with machine learning or deep learning by using various algorithms to improve recognition and accuracy in the detection and diagnosis of plant diseases. Based on this, this study aims to propose a method of classifying rice leaf diseases in order to provide information to farmers about rice leaves which are expected to reduce the disease by detecting the disease early so as to increase rice production. In this study, the classification process is carried out using the augmented image, then the Color Histogram feature extraction method is applied, and the classification is carried out using the Random Forest algorithm. In addition, this study also conducted several comparisons, including feature extraction and yahoo to get the results, and the highest results reached 99.65% of the proposed method.
IMPLEMENTASI SUPPORT VECTOR MACHINE (SVM) UNTUK KLASIFIKASI PEDERITA DIABETES MELLITUS Favorisen R Lumbanraja; Fanni Lufiana; Yunda Heningtyas; Kurnia Muludi
Jurnal Komputasi Vol. 10 No. 1 (2022)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v10i1.2940

Abstract

Diabetes Mellitus (DM) is a chronic disease characterized by the body's inability to metabolize carbohydrates, fats, and proteins, resulting in increased blood sugar (hyperglycemia) due to low insulin levels. Diabetes is due to a combination of heredity (genetics) and unhealthy lifestyles. Hemoglobin A1c is a blood test used to diagnose and manage diabetes patients when measuring blood sugar levels. This study aims to analyze predictive models for the classification of people with diabetes using R Shiny and evaluate the results of the support vector machine method's classification performance. There are many ways to diagnose diabetes, and the support vector machine is one of the machine learning algorithms used in this study's classification case (SVM). This study uses data from Diabetes 130-US Hospital For Years 1999-2008, which was sourced from the UCI Machine Learning Repository and consists of 34 variables and 84900 records, with dataset distribution and testing techniques using the 10-fold cross-validation method and three kernels in modeling using SVM, namely linear, Gaussian, and polynomial. The results obtained are a simple predictive model analysis system for classifying people with diabetes with shiny, making it easier for users to find out the prediction results and obtain the highest accuracy result, which is 82.76 percent of the gaussian kernel.
ANALISIS DAN PERANCANGAN KNOWLEDGE MANAGEMENT SYSTEM UNTUK MENINGKATKAN KINERJA PEGAWAI PADA BADAN NARKOTIKA NASIONAL KOTA TANGERANG SELATAN BERBASIS WEBISTE Rosalina Aprianti; Yuni Sugiarti
Jurnal Komputasi Vol. 10 No. 1 (2022)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v10i1.2950

Abstract

Technology is growing nowadays, so that organizations must keep up with existing technological developments as well as the National Narcotics Agency for South Tangerang City (BNN South Tangerang City) to manage knowledge which is an organizational asset, a knowledge management system is needed. The purpose of this research is to produce a knowledge management system design that can employees use to document and share knowledge. Data collection methods used are observation, interviews, and literature study. The system development method used is Rapid Application Development (RAD) and uses Unified Modeling Language (UML) as a tool for describing and designing the system. The result of this research is a knowledge management system that can help employees to acquire knowledge effectively and efficiently.
Peningkatan Kemenangan Non-Playable Character dalam Permainan Triple Triad Menggunakan Alpha-Beta Pruning Benedictta Dinda Permatasari; Hanny Haryanto; Erna Zuni Astuti; Erlin Dolphina
Jurnal Komputasi Vol. 10 No. 1 (2022)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v10i1.2952

Abstract

Non-Playable Character (NPC) merupakan salah satu elemen yang paling penting dalam video game. Umumnya, NPC menyediakan tantangan bagi pemain dalam menyelesaikan misi di dalam game, dimana NPC berarti bertindak sebagai musuh. Peran sebagai musuh menyebabkan tingkat kemenangan menjadi salah satu tujuan utama dari kecerdasan buatan yang diaplikasikan ke NPC. Tantangan yang disediakan NPC ini sangat penting untuk menjaga agar pemain tetap melanjutkan permainan. Untuk mendapatkan pengalaman yang sama menyenangkannya dengan saat bermain dengan orang lain, NPC harus dapat menyediakan tantangan yang seimbang layaknya manusia. Masalah yang terjadi adalah rendahnya tingkat kemenangan yang diraih oleh NPC, sehingga pemain dapat merasa bosan. Algoritma alpha-beta pruning merupakan salah satu algoritma pengambil keputusan yang sering diterapkan pada permainan yang memerlukan pemain lebih dari atau sama dengan dua. Karena itu algoritma ini cocok untuk diterapkan pada objek penelitian yaitu permainan Triple Triad. Permainan Triple Triad adalah permainan papan yang dimainkan oleh dua pemain. Permainan Triple Triad petama kali diperkenalkan sebagai sebuah mini-game yang terdapat dalam game Final Fantasy VIII. Permainan ini merupakan gabungan dari permainan kartu (card game) dan juga permainan papan (board game). Dalam penelitian ini, algoritma alpha-beta pruning terbukti dapat meningkatkan tingkat kemenangan (win rate) NPC. Hal ini ditunjukkan dengan hasil perbandingan win rate NPC yang memilih langkah secara acak yaitu sebesar 17.5% dengan NPC yang sudah diterapkan algoritma alpha-beta pruning yaitu sebesar 55%. Disini terlihat peningkatan win rate yang cukup signifikan.
Implementasi Metode PIECES Pada Sistem Informasi Pemesanan Katering Di Rumah Makan Padang Ampera Gustirani Gustirani; Muhammad Bahrul Ulum
Jurnal Komputasi Vol. 11 No. 2 (2023)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v11i2.3108

Abstract

Rumah Makan Padang Ampera merupakan badan usaha dalam bidang kuliner yang menyajikan makanan khas minang. Selain melayani makan ditempat, Rumah Makan Padang Ampera juga melayani pemesanan katering nasi kotak styrofoam atau nasi kotak kardus. Dalam proses pengelolaan data untuk pemesanan katering di Rumah Makan Padang Ampera, masih dikerjakan secara manual. Seperti, pelanggan harus datang langsung ke tempat untuk mendapatkan informasi menu, harga, dan pesanan yang diinginkan pelanggan. Proses transaksi sebagai bukti pemesanan katering pun masih menggunakan pembuatan nota, pada hal dalam perbulan Rumah Makan Padang Ampera bisa mendapatkan pesanan kurang lebih 100 box sehingga untuk menyimpan pembuktian transaksi akan berantakan. maka harus dikembangkan sebuah sistem yang dapat menyelesaikan pengelolaan data pemesanan katering secara tepat untuk memperbaiki kualitas pengolahan data dan meminimalkan terjadinya kesalahan dari Rumah Makan Padang Ampera. Metode penelitian yang digunakan untuk pengembangan sistem yang akan dibuat adalah metode waterfall, analisis permasalahannya menggunakan Metode PIECES, dan perancangan sistem menggunakan UML (Unified Modeling Language). Hasil dalam penelitian ini yang diharapkan adalah Sistem Informasi Pemesanan Katering di Rumah Makan Padang Ampera Berbasis Web dapat mempermudah pelayanan informasi pemesanan katering bagi pelanggan dan menghasilkan pengelolaan data yang baik serta meminimalkan terjadinya kesalahan.

Page 22 of 28 | Total Record : 272

 20   21   22   23   24 

Filter by Year

2013 2025


Reset
Filter By Issues
All Issue Vol. 13 No. 2 (2025) Vol. 13 No. 1 (2025) Vol. 12 No. 2 (2024): Jurnal Komputasi Vol. 12 No. 1 (2024): Jurnal Komputasi Vol. 11 No. 2 (2023) Vol. 11 No. 1 (2023) Vol. 10 No. 2 (2022) Vol. 10 No. 1 (2022) Vol. 9 No. 2 (2021) Vol. 9 No. 1 (2021) Vol. 8 No. 2 (2020) Vol. 8 No. 1 (2020) Vol. 7 No. 2 (2019) Vol. 7 No. 1 (2019) Vol. 6 No. 2 (2018) Vol. 6 No. 1 (2018) Vol. 5 No. 2 (2017) Vol. 5 No. 1 (2017) Vol. 4 No. 2 (2016) Vol. 4 No. 1 (2016) Vol. 3 No. 2 (2015) Vol. 3 No. 1 (2015) Vol. 2 No. 2 (2014) Vol. 2 No. 1 (2014) Vol. 1 No. 2 (2013) Vol. 1 No. 1 (2013) More Issue