cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
minabis lppm
Contact Email
minabis@uwgm.ac.id
Phone
-
Journal Mail Official
fajaryudhi@uwgm.ac.id
Editorial Address
Jl. Wahid Hasyim No.28, Sempaja Sel., Kec. Samarinda Utara, Kota Samarinda, Kalimantan Timur 75243
Location
Kota samarinda,
Kalimantan timur
INDONESIA
Journal of Multidisciplinary Informatics, Artificial Intelligence, and Business Innovation
Published by Universitas Widya Gama Mahakam Samarinda
ISSN : -     EISSN : 31249957     DOI : 10.24903
Core Subject :
Journal of Multidisciplinary Informatics, Artificial Intelligence, and Business Innovation is an international, peer-reviewed, open-access journal dedicated to publishing high-quality research at the intersection of advanced computing and strategic business growth. The journal serves as a premier forum for researchers and practitioners to share insights into how intelligent technologies drive organizational transformation and solve complex global challenges.
Arjuna Subject : -
Articles 10 Documents
 1 
Penerapan Algoritma Support Vector Machine dalam Memprediksi Tingkat Partisipasi Pemilu Berdasarkan Data Indeks Desa Membangun pada Wilayah Tapal Kuda M Bahrul Ulum; Arif Senja Fitrani; Hindarto Hindarto; Uce Indahyanti
Journal of Multidisciplinary Informatics, Artificial Intelligence, and Business Innovation Vol. 1 No. 1 (2026)
Publisher : Universitas Widya Gama Mahakam Samarinda

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/minabis.v1i1.9

Abstract

Tingkat partisipasi pemilih mencerminkan tidak hanya kualitas demokrasi, tetapi juga kesadaran sosial masyarakat. Di wilayah Tapal Kuda, Jawa Timur, variasi partisipasi antar desa menunjukkan adanya pengaruh dari kondisi pembangunan yang beragam. Penelitian ini mengkaji penerapan Indeks Desa Membangun (IDM) untuk memprediksi tingkat partisipasi pemilih menggunakan algoritma Support Vector Machine (SVM). Data penelitian berasal dari publikasi IDM tahun 2024 yang memuat ribuan data desa dengan indikator sosial, ekonomi, dan infrastruktur. Hasil analisis menunjukkan bahwa model SVM mencapai akurasi sebesar 76%, dengan nilai precision 0,75 dan recall 0,76. Model terbukti lebih efektif dalam mengenali pola partisipasi tinggi, menandakan bahwa kemajuan desa dan akses terhadap layanan dasar berperan penting dalam meningkatkan partisipasi masyarakat. Temuan ini menegaskan bahwa pendekatan SVM berbasis data IDM dapat menjadi landasan bagi perumusan strategi kebijakan untuk mendorong keterlibatan politik masyarakat, khususnya di wilayah pedesaan.
Implementasi Segmentasi Citra Menggunakan YOLOv8 untuk Penilaian Kondisi Jalan Otomatis Jurnal Manager; Muhammad Zamroni Abdillah; Hindarto Hindarto
Journal of Multidisciplinary Informatics, Artificial Intelligence, and Business Innovation Vol. 1 No. 1 (2026)
Publisher : Universitas Widya Gama Mahakam Samarinda

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/minabis.v1i1.10

Abstract

Kondisi infrastruktur jalan memiliki peranan krusial dalam menunjang keselamatan, kenyamanan, dan efisiensi transportasi. Namun, proses inspeksi kondisi jalan di Indonesia hingga saat ini masih banyak dilakukan secara manual sehingga cenderung subjektif, memerlukan waktu lama, dan berbiaya tinggi. Penelitian ini mengimplementasikan model YOLOv8 dengan pendekatan segmentasi citra berbasis deep learning untuk mendeteksi dan menilai kerusakan jalan, khususnya lubang (pothole). Dataset citra jalan digunakan sebagai data latih dan uji, dengan proses pelabelan berbasis mask segmentasi. Model dilatih menggunakan arsitektur YOLOv8-seg dan dievaluasi berdasarkan metrik performa seperti precision, recall, dan mean Average Precision (mAP) Sistem yang dikembangkan tidak hanya mendeteksi kerusakan jalan berupa lubang (pothole), tetapi juga melakukan segmentasi piksel untuk menghitung persentase luas kerusakan terhadap permukaan jalan secara kuantitatif. Hasil penelitian diharapkan mampu menghasilkan sistem penilaian kondisi jalan secara otomati yang objektif dan efisien, serta memberikan dukungan dalam pengambilan keputusan oleh instansi terkait.
Pembangunan E-Menu untuk Pemesanan Makanan Secara Online dengan Metode Pembayaran Non-Tunai Berbasis QR Code di Cafe Mochammad Daffa Khasifi Nashrullah; Ika Ratna Indra Astutik
Journal of Multidisciplinary Informatics, Artificial Intelligence, and Business Innovation Vol. 1 No. 1 (2026)
Publisher : Universitas Widya Gama Mahakam Samarinda

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/minabis.v1i1.11

Abstract

Penelitian ini bertujuan untuk mengkaji pemanfaatan teknologi informasi sebagai upaya peningkatan efisiensi operasional dan kualitas layanan pada sektor bisnis kuliner. Saat ini, Cafe Proof CO masih menerapkan sistem pemesanan secara manual, yang berpotensi menimbulkan antrian, kesalahan pencatatan pesanan, serta keterlambatan dalam pelayanan. Permasalahan tersebut berdampak pada menurunnya tingkat kepuasan pelanggan dan kurang optimalnya kinerja operasional Cafe. Sebagai solusi atas permasalahan tersebut, penelitian ini mengembangkan sistem E-Menu berbasis web yang mendukung proses pemesanan makanan secara digital serta menyediakan fasilitas pembayaran non-tunai menggunakan teknologi QR Code. Sistem ini dirancang agar pelanggan dapat mengakses daftar menu, melakukan pemesanan, dan menyelesaikan proses pembayaran secara mandiri melalui perangkat masing-masing tanpa bergantung pada pelayan. Penerapan sistem E-Menu diharapkan mampu mempercepat proses pemesanan, meminimalkan kesalahan, serta meningkatkan efisiensi dan akurasi pelayanan. Metode pengembangan sistem yang digunakan dalam penelitian ini adalah Rapid Application Development (RAD), yang menekankan pada pengembangan sistem secara cepat melalui tahapan perencanaan kebutuhan, perancangan sistem, pembangunan aplikasi, dan implementasi. Metode RAD memungkinkan keterlibatan langsung pengguna selama proses pengembangan sehingga sistem yang dihasilkan dapat disesuaikan dengan kebutuhan operasional kafe dalam waktu relatif singkat. Hasil penelitian menunjukkan bahwa sistem E-Menu berbasis web dengan pembayaran non-tunai menggunakan QR Code mampu memberikan manfaat nyata bagi pengelola dan pelanggan Cafe Mojokerto dalam meningkatkan kualitas layanan dan efisiensi operasional
Sistem Informasi Pelaporan Kinerja Pemerintah Kabupaten Sidoarjo Purwantoro Purwantoro; Sumarno Sumarno
Journal of Multidisciplinary Informatics, Artificial Intelligence, and Business Innovation Vol. 1 No. 1 (2026)
Publisher : Universitas Widya Gama Mahakam Samarinda

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/minabis.v1i1.12

Abstract

Sistem Pelaporan Kinerja merupakan aplikasi berbasis web yang dirancang untuk mewujudkan akuntabilitas dan transparansi penyelenggaraan pemerintahan, serta memastikan bahwa setiap penggunaan sumber daya publik dapat dipertanggungjawabkan secara efektif dan efisien serta mengintegrasikan data perencanaan, penganggaran dan realisasi. Sistem Pelaporan Kinerja ini menggunakan metode waterfall. Sistem ini dibuat menggunakan bahasa pemograman Python dengan framework Streamlit dan basis data Postgree. Dengan efisiensi waktu, keakuratan data dan keamanan data sistem menjadi solusi digital yang efektif dan efisien dalam mendukung pembuatan laporan kinerja setiap tahun di wilayah Pemerintah Kabupaten Sidoarjo. Evaluasi sistem ini menggunakan metode Blackbox Testing, yang menunjukkan semua fitur pada sistem berjalan dengan baik. Sistem Pelaporan Kinerja ini mampu menjadi solusi digital yang efektif dan efisien dalam mendukung pembuatan laporan secara cepat dan akurat dalam mendukung monitoring dan evaluasi kinerja Perangkat Daerah di Pemerintah Kabupaten Sidoarjo
Perbandingan Akurasi Algoritma Machine Learning untuk Prediksi Diabetes Berdasarkan Data Skrining Pasien Lansia di Puskesmas Sempaja Nelson Sompa Arifin; Yohanes Andriano Teras; Gede Enos Karli; Norsianalara; Lisnawati; Aldi Bastiatul Fawait
Journal of Multidisciplinary Informatics, Artificial Intelligence, and Business Innovation Vol. 1 No. 2 (2026)
Publisher : Universitas Widya Gama Mahakam Samarinda

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/minabis.v1i2.25

Abstract

Diabetes melitus merupakan salah satu penyakit tidak menular yang memerlukan deteksi dini untuk mengurangi risiko komplikasi dan meningkatkan kualitas hidup pasien. Penelitian ini bertujuan membandingkan performa beberapa algoritma machine learning dalam memprediksi diabetes berdasarkan data skrining pasien lansia di Puskesmas Sempaja. Metode yang digunakan adalah data mining dengan tahapan Knowledge Discovery in Databases (KDD), meliputi seleksi data, prapemrosesan data, transformasi data, pemodelan, dan evaluasi. Dataset dibagi menjadi 80% data latih dan 20% data uji. Algoritma yang digunakan meliputi Decision Tree, K-Nearest Neighbors (KNN), Random Forest, Naïve Bayes, Support Vector Machine (SVM), dan Logistic Regression. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Naïve Bayes, SVM, dan Logistic Regression memperoleh performa terbaik dengan nilai akurasi sebesar 88% dan F1-score sebesar 83%. Sementara itu, Decision Tree menunjukkan kemampuan yang lebih baik dalam mendeteksi kelas positif dibandingkan model lainnya. Hasil penelitian menunjukkan bahwa algoritma machine learning dapat dimanfaatkan untuk mendukung prediksi diabetes, dengan Naïve Bayes, SVM, dan Logistic Regression sebagai model yang memiliki performa terbaik pada dataset yang digunakan.
ANALISIS SENTIMEN ULASAN PRODUK E-COMMERCE MENGGUNAKAN NAIVE BAYES Leo nakanisi aran; Andrian Anye; Sopia daud; Vinsensia Florince Seke; Aldi Bastiatul Fawait
Journal of Multidisciplinary Informatics, Artificial Intelligence, and Business Innovation Vol. 1 No. 2 (2026)
Publisher : Universitas Widya Gama Mahakam Samarinda

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/minabis.v1i2.26

Abstract

The rapid growth of e-commerce in Indonesia has significantly increased the number of customer reviews on marketplace platforms, particularly Tokopedia. These reviews contain valuable customer opinions that can be utilized to evaluate product quality and service performance. However, the large volume of reviews makes manual analysis inefficient and time-consuming. This study aims to implement the Multinomial Naive Bayes algorithm for sentiment analysis of Tokopedia product reviews to automatically classify customer opinions into positive and negative sentiments. The dataset used consists of 500 labeled customer reviews obtained from Kaggle. The research process includes text preprocessing through case folding and cleaning, feature extraction using Term Frequency–Inverse Document Frequency (TF-IDF) with max_features=3000 and ngram_range=(1,2), followed by data splitting into 80% training data and 20% testing data. The classification process is performed using the Multinomial Naive Bayes algorithm. Model performance is evaluated using Accuracy, Precision, Recall, F1-Score, and Confusion Matrix. The experimental results achieved an accuracy of 83%, indicating that the combination of preprocessing techniques, TF-IDF feature extraction, and the Multinomial Naive Bayes algorithm is effective in classifying customer sentiments on Tokopedia product reviews and can support the evaluation of product quality and service performance in e-commerce platforms.
Implementasi Metode Simple Additive Weighting dalam Seleksi Penerima Beasiswa Aulita Az'Zahra Dhena Aldy; Elsya Fauziah; Hendrikus Hang Himang; Ferdinandus Heru Moreno Christian Paran; Maria Kristiana Damayanti Teting; Aldi Bastiatul Fawait
Journal of Multidisciplinary Informatics, Artificial Intelligence, and Business Innovation Vol. 1 No. 2 (2026)
Publisher : Universitas Widya Gama Mahakam Samarinda

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/minabis.v1i2.27

Abstract

Abstract: The scholarship selection process requires a method that can support objective decision-making based on multiple criteria. This study applies the Simple Additive Weighting (SAW) method to determine scholarship recipients based on four criteria: Grade Point Average (GPA), parents' income, number of family dependents, and student achievements. The dataset consisted of 80 student alternatives. The research process included normalization, weighting, preference value calculation, and alternative ranking. The results showed that preference values ranged from 0.56733 to 0.96298, with an average value of 0.73029. Alternative A70 obtained the highest preference value of 0.96298 and was recommended as the most eligible scholarship recipient. In addition, 53 students (66.25%) achieved preference values above 0.70. The findings indicate that the SAW method was successfully implemented and is capable of producing a more objective, transparent, and measurable scholarship selection process. Abstrak: Proses seleksi penerima beasiswa memerlukan metode yang mampu membantu pengambilan keputusan secara objektif berdasarkan berbagai kriteria. Penelitian ini menerapkan metode Simple Additive Weighting (SAW) untuk menentukan calon penerima beasiswa berdasarkan empat kriteria, yaitu IPK, penghasilan orang tua, jumlah tanggungan keluarga, dan prestasi mahasiswa. Data yang digunakan terdiri dari 80 mahasiswa sebagai alternatif. Proses penelitian dilakukan melalui tahapan normalisasi, pembobotan, perhitungan nilai preferensi, dan perangkingan alternatif. Hasil penelitian menunjukkan bahwa nilai preferensi berada pada rentang 0,56733 hingga 0,96298 dengan rata-rata sebesar 0,73029. Alternatif A70 memperoleh nilai preferensi tertinggi sebesar 0,96298 sehingga direkomendasikan sebagai kandidat penerima beasiswa yang paling layak. Selain itu, sebanyak 53 mahasiswa (66,25%) memperoleh nilai preferensi di atas 0,70. Hasil penelitian menunjukkan bahwa metode SAW berhasil diterapkan dalam proses seleksi penerima beasiswa dan mampu menghasilkan keputusan yang lebih objektif, transparan, dan terukur.
Klasifikasi tingkat depresi mahasiswa menggunakan algoritma decision tree Ahmad Fadilla; Rywalman Rante Pasang; Cecillia Listia Anggraini; Sherly Virgoila Pidang; Aldi Bastiatul Fawait
Journal of Multidisciplinary Informatics, Artificial Intelligence, and Business Innovation Vol. 1 No. 2 (2026)
Publisher : Universitas Widya Gama Mahakam Samarinda

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/minabis.v1i2.28

Abstract

Depression is a mental health disorder commonly experienced by college students due to academic, social, and financial pressures. The high rate of depression among college students can impact academic achievement, social relationships, and overall quality of life. Therefore, a method is needed to quickly and accurately identify levels of depression. This study aims to classify college students' depression levels using the Decision Tree algorithm. The method used includes utilizing the Student Depression Dataset obtained from the Kaggle platform, data preprocessing, building a classification model using the Decision Tree algorithm, and evaluating model performance. The Decision Tree algorithm was chosen because it produces decision rules that are easy to understand and interpret. The test results obtained an accuracy value of 81.08%. This value indicates that the model is capable of classifying college students' depression levels quite well. Furthermore, the classification report results shows that the model has a precision value of 0.81 for both classes. The recall value for the depression class reached 0.88, indicating that the model successfully recognized most students experiencing depression. The research findings can assist educational institutions in early detection of students at risk of depression, allowing for more effective treatment and support.
Sistem Klasifikasi Kelayakan Penerima Beasiswa menggunakan Algoritma Categorical Naive Bayes Otniel Christovel Ganda; Ridho Aulia Tabliq Sidiq; Bernardo Damian De Ornay; Yovi Aldiyanto; Klara Bare Nuhan; Aldi Bastiatul Fawait
Journal of Multidisciplinary Informatics, Artificial Intelligence, and Business Innovation Vol. 1 No. 2 (2026)
Publisher : Universitas Widya Gama Mahakam Samarinda

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/minabis.v1i2.29

Abstract

Scholarship selection is often done manually, which takes time and has the potential for errors in assessment. This study aims to build a prediction model for student scholarship eligibility using the Categorical Naive Bayes algorithm. The data used in this study consisted of 1,042 student data with eight attributes: distance from residence to campus, gender, organizational participation, student activity unit (UKM) participation, GPA, parents' occupation, parents' income, and number of dependents. The research method included data preprocessing, feature encoding, data splitting with an 80:20 ratio, model training using three Naive Bayes variants (GaussianNB, CategoricalNB, and ComplementNB), and model evaluation using accuracy, precision, recall, F1-score, and AUC-ROC metrics. The results showed that the Categorical Naive Bayes model achieved the best performance with an accuracy of 74.16%, precision of 50.85%, recall of 54.55%, F1-score of 52.63%, and AUC-ROC of 80.25%. The most influential features in determining scholarship eligibility were the number of dependents, GPA, and organizational participation. This study concludes that the Categorical Naive Bayes algorithm can be used to predict scholarship eligibility reasonably well, although it still needs improvement to handle imbalanced data.
Implementasi Artificial Intelligence Dalam Pendidikan: Systematic Literature Review Tahun 2024–2026 Maslim Tammaling; Reyza Febrianto; Gregorivo Hizkia Brighita Totopandey; Ronald Alexandre; Marcello Fellix Febrian; Aldi Bastiatul Fawait
Journal of Multidisciplinary Informatics, Artificial Intelligence, and Business Innovation Vol. 1 No. 2 (2026)
Publisher : Universitas Widya Gama Mahakam Samarinda

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24903/minabis.v1i2.30

Abstract

Artificial Intelligence (AI) has emerged as one of the most influential technologies in transforming educational practices across different levels of learning. The rapid advancement of Generative AI, adaptive learning systems, learning analytics, and intelligent tutoring systems has significantly changed the way students and educators interact with learning resources. This study aims to analyze the implementation of Artificial Intelligence in education through a Systematic Literature Review (SLR) of scientific publications published between 2024 and 2026. The study adopted the PRISMA 2020 framework to identify, screen, and select relevant literature. A total of 26 journal articles met the inclusion criteria and were analyzed using thematic synthesis. The results indicate that AI has been widely implemented in personalized learning, academic assistance, adaptive learning environments, learning analytics, and intelligent tutoring systems. The primary benefits identified include improved learning effectiveness, increased student engagement, enhanced accessibility to educational resources, and support for data-driven educational decision-making. However, several challenges remain, including academic integrity concerns, privacy and data security issues, algorithmic bias, and excessive dependence on technology. The review concludes that AI has substantial potential to improve educational quality when supported by ethical implementation, effective governance, and balanced collaboration between human educators and intelligent systems.

Page 1 of 1 | Total Record : 10

 1 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol. 1 No. 2 (2026) Vol. 1 No. 1 (2026)