cover
Contact Name
Hanny Haryanto
Contact Email
hanny.haryanto@dsn.dinus.ac.id
Phone
-
Journal Mail Official
hanny.haryanto@dsn.dinus.ac.id
Editorial Address
-
Location
Kota semarang,
Jawa tengah
INDONESIA
Techno.Com: Jurnal Teknologi Informasi
ISSN : 14122693     EISSN : 23562579     DOI : -
Topik dari jurnal Techno.Com adalah sebagai berikut (namun tidak terbatas pada topik berikut) : Digital Signal Processing, Human Computer Interaction, IT Governance, Networking Technology, Optical Communication Technology, New Media Technology, Information Search Engine, Multimedia, Computer Vision, Information Retrieval, Intelligent System, Distributed Computing System, Mobile Processing, Computer Network Security, Natural Language Processing, Business Process, Cognitive Systems, Software Engineering, Programming Methodology and Paradigm, Data Engineering, Information Management, Knowledge Based Management System, Game Technolog
Arjuna Subject : -
Articles 737 Documents
Evaluasi Kualitas Sistem Informasi Karya Akhir Menggunakan Metode McCall: Studi Kasus di Universitas Pendidikan Ganesha Mitha, I Made Ardha Premana; Pradnyana, I Made Ardwi; Indradewi, I Gusti Ayu Agung Diatri
Techno.Com Vol. 23 No. 4 (2024): November 2024
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v23i4.11625

Abstract

Penelitian ini bertujuan untuk mengembangkan model evaluasi kualitas sistem informasi karya akhir pada institusi pendidikan tinggi menggunakan metode McCall, dengan mengambil studi kasus di Universitas Pendidikan Ganesha (Undiksha). Evaluasi kualitas sistem informasi akademik merupakan hal yang krusial untuk memastikan efektivitas layanan dan mendukung proses akademik di perguruan tinggi. Penelitian menggunakan pendekatan deskriptif kuantitatif dengan fokus pada aspek product operation yang mencakup lima faktor: Correctness, Reliability, Efficiency, Integrity, dan Usability. Pengambilan sampel menggunakan teknik Proportionate Stratified Random Sampling dengan jumlah 515 responden. Hasil evaluasi menunjukkan nilai total kualitas sistem sebesar 70% (kategori Baik), dengan rincian: Correctness 61% (Baik), Reliability 56% (Cukup Baik), Efficiency 58% (Cukup Baik), Integrity 59% (Cukup Baik), dan Usability 43% (Cukup Baik). Model evaluasi dan rekomendasi yang dihasilkan dapat diadaptasi oleh institusi pendidikan tinggi lain dalam mengembangkan dan meningkatkan kualitas sistem informasi Karya Akhir. Kata kunci: Evaluasi, kualitas, sistem informasi karya akhir, McCall
Implementasi Model Algoritma C4.5 Untuk Klasifikasi Status Stunting Di Kabupaten Sikka Darkel, Yohanes Brekmans M; Ermilinda, Lindiana; Yulianto, Gabriel Kurniawan Al; Pacolinus, Claudia Fransiska
Techno.Com Vol. 23 No. 4 (2024): November 2024
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v23i4.11663

Abstract

Kekurangan gizi menjadi masalah dalam tumbuh kembang anak yang dapat menyebabkan stunting, wasting, mudah terkena penyakit serta penurunan kecerdasan otak dan mental. Stunting di Kabupaten Sikka pada tahun 2022 sebesar 13,8% dari hasil e-PPGBM periode Bulan Agustus 2022. Untuk mengatasi masalah ini diperlukan klasifikasi status stunting yang sangat berpengaruh terhadap tumbuh kembang anak sehingga dapat memberikan perhatian lebih dari faktor stunting yang paling tinggi di suatu daerah. Dengan bertambahnya jumlah balita dan peningkatan kasus stunting, proses penyelesaian tidak bisa dilakukan dengan cepat. Selain itu, tidak semua petugas posyandu bisa menghitung status gizi balita secara manual. Oleh karena itu, agar orang tua dan kader posyandu dapat mengetahui kondisi anak lebih cepat, diperlukan sistem yang menggunakan model algoritma C4.5. Sistem ini mampu mengolah data numerik (kontinu) dan diskrit. Penelitian ini menggunakan 5 atribut, yaitu usia, inisiasi menyusui dini (Imd), tinggi badan, jenis kelamin, dan berat badan. Keistimewaan penelitian ini adalah penggunaan atribut Inisiasi Menyusui Dini (IMD) yang belum pernah digunakan dalam penelitian sebelumnya dengan data numerik. Penggunaan algoritma C4.5 untuk menganalisis hasil stunting dan menyajikannya dalam bentuk website menghasilkan tingkat akurasi yang tidak jauh berbeda dengan pembagian data latih dan data uji sebesar 92.68 dan 90.98% dengan Max Dept 10.   Kata kunci: Algoritma C4.5, Stunting, Balita, Klasifikasi, Website
Evaluasi Performa Algoritma Klasifikasi dalam Prediksi Gagal Jantung: Studi Kasus Dataset Heart Failure Prediction Nugraha, Wahyu; Syarif , Muhamad
Techno.Com Vol. 23 No. 4 (2024): November 2024
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v23i4.11685

Abstract

Kegagalan jantung (Heart Failure) merupakan salah satu penyebab utama kematian dan morbiditas secara global, dengan lebih dari 26 juta orang terdampak di seluruh dunia. Deteksi dini kegagalan jantung sangat penting untuk mencegah komplikasi yang lebih serius, namun diagnosis sering kali sulit dilakukan karena gejala yang tidak spesifik. Pembelajaran mesin (machine learning) telah banyak digunakan untuk membantu prediksi risiko kegagalan jantung melalui analisis data medis. Berbagai algoritma klasifikasi telah diimplementasikan dalam berbagai penelitian sebalumnya, namun belum ada konsensus mengenai algoritma terbaik. Penelitian ini bertujuan untuk melakukan komparasi performa beberapa algoritma klasifikasi dalam memprediksi gagal jantung, menggunakan dataset Heart Failure Prediction dari Kaggle. Algoritma yang diuji termasuk Logistic Regression, K-Nearest Neighbors (KNN), Decision Tree, Random Forest, GaussianNB, dan LightGBM. Hasil menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan akurasi 95 persen, sedangkan algoritma KNN menunjukkan akurasi terendah sebesar 76 persen. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem pendukung keputusan klinis yang lebih baik untuk prediksi kegagalan jantung.   Kata Kunci: Heart Failure, mesin pembelajaran algoritma klasifikasi
Efektivitas Algoritma Random Forest, XGBoost, dan Logistic Regression dalam Prediksi Penyakit Paru-paru Putra, Bernardus Septian Cahya; Tahyudin, Imam; Kusuma, Bagus Adhi; Isnaini, Khairunnisak Nur
Techno.Com Vol. 23 No. 4 (2024): November 2024
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v23i4.11705

Abstract

Penyakit paru-paru, seperti pneumonia dan kanker paru-paru, menjadi masalah kesehatan global dengan tingkat kematian tinggi, terutama dipengaruhi oleh polusi udara, infeksi, dan kebiasaan merokok. Pencegahan dan deteksi dini sangat penting dalam mengurangi dampaknya. Algoritma yang digunakan dalam penelitian ini meliputi Random Forest, XGBoost, dan Logistic Regression. Tujuannya yaitu untuk membandingkan performa tiga algoritma machine learning dalam mengklasifikasikan penyakit paru-paru menggunakan metrik evaluasi seperti, akurasi, presisi, recall, dan F1-score.  Setelah hyperparameter tuning, XGBoost menunjukkan hasil terbaik dengan akurasi 94,44%, presisi 94,98%, recall 94,44%, dan F1-score 94,41%, menunjukkan keseimbangan optimal antara presisi dan recall. Random Forest juga memberikan hasil yang sebanding dengan XGBoost dengan akurasi dan presisi yang tinggi. Sementara itu, Logistic Regression menunjukkan keterbatasan dalam menangani data yang kompleks, dengan performa yang lebih rendah pada seluruh metrik evaluasi. Penelitian ini menunjukkan bahwa algoritma berbasis pohon keputusan seperti XGBoost dan Random Forest lebih unggul untuk klasifikasi penyakit paru-paru, menjadikannya metode yang lebih andal untuk mendukung deteksi dini penyakit ini.   Kata kunci: Hyperparameter Tuning, Logistic Regression, Penyakit Paru-paru, Random Forest, XGBoost.
Tata Kelola Teknologi Informasi Menggunakan Framework COBIT 2019 Pada PT. Kobexindo Tractor Tbk. Lumingkewas, Cherry; Mambu, Joe Yuan; Tangka, George Morris William
Techno.Com Vol. 23 No. 4 (2024): November 2024
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v23i4.11708

Abstract

Tata kelola Teknologi Informasi (TI) adalah kerangka kerja yang digunakan organisasi untuk mengelola dan mengendalikan sumber daya TI secara efektif, dengan tujuan memaksimalkan nilai bisnis. PT. Kobexindo Tractor TBK menghadapi tantangan dalam mengoptimalkan manajemen TI mereka, khususnya dalam pengelolaan data penting. Penelitian ini bertujuan untuk menerapkan kerangka COBIT 2019 guna meningkatkan tata kelola TI di PT. Kobexindo Tractor TBK, sehingga layanan data kritis dapat dikelola secara efisien. Temuan menunjukkan bahwa perusahaan belum melakukan penilaian menyeluruh terhadap tata kelola TI dan menghadapi tantangan dalam manajemen data pesanan dan informasi stok. PT. Kobexindo Tractor TBK memerlukan proses tata kelola TI yang lebih terstruktur untuk memastikan penggunaan teknologi yang efektif dan efisien dalam mencapai tujuan bisnis. Proses tinjauan pustaka mengidentifikasi kesenjangan dalam penelitian saat ini, memberikan dasar untuk penelitian yang lebih komprehensif. Setelah analisis tujuan BAI05 dan BAI11, ditemukan hasil yang berbeda. Pada BAI05, pertanyaan mencapai level 2 dengan 75%, di bawah 85%. Demikian juga, pada BAI11, pertanyaan mencapai level 2 dengan 66%. Dengan temuan ini, penelitian ini didukung landasan teoretis yang kuat, memastikan analisis yang mendalam terhadap masalah tata kelola TI.   Kata kunci: Tata Kelola Teknologi Informasi, COBIT 2019, Manjemen Informasi
Optimasi Prediksi Prediabetes dengan Metode Fitur Selection dan Imbalance Learning Arifin, Samsul; Tahyudin, Imam
Techno.Com Vol. 24 No. 1 (2025): Februari 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i1.11730

Abstract

Diabetes adalah salah satu tantangan kesehatan global yang terus meningkat, dengan deteksi dini pradiabetes menjadi kunci untuk pencegahan. Data yang digunakan diambil dari Diabetes Health Indicators Dataset dan dipersiapkan melalui tahap feature engineering, analisis korelasi, dan penanganan missing value. Selanjutnya, model dibangun menggunakan tiga algoritma utama, yaitu Random Forest, XGBoost, dan Logistic Regression. Penelitian ini menggabungkan analisis korelasi variabel dan metode imbalance learning untuk mengoptimalkan prediksi pradiabetes menggunakan algoritma machine learning. Untuk menangani ketidakseimbangan data, teknik SMOTE diterapkan guna menghasilkan data sintetik pada kelas minoritas. Hasil penelitian menunjukkan model Random Forest memberikan kinerja terbaik dengan akurasi 97,57%, mengungguli XGBoost dan Logistic Regression. Penerapan analisis korelasi variabel dan imbalance learning terbukti efektif dalam meningkatkan kinerja prediksi dengan identifikasi fitur penting. Penelitian ini menunjukkan bahwa pendekatan yang diterapkan dapat membantu deteksi dini pradiabetes secara lebih akurat dan tepat.   Kata kunci: Diabetes, Deteksi Prediabetes, Machine Learning, Random Forest
Optimasi Support Vector Machine Dengan PSO Untuk Klasifikasi Kelayakan Export Kerang Batik Putro, Bagus Prindo Sugihartono; Soeleman, M Arief; Pujiono, Pujiono
Techno.Com Vol. 24 No. 1 (2025): Februari 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i1.11793

Abstract

Kerang Batik (Paphia undulata) memiliki pola cangkang yang mirip batik, dengan warna dasar cangkang yang bervariasi dari kuning cerah hingga gelap. Sebagai komoditas ekspor Indonesia yang permintaannya terus meningkat, penting untuk menjaga standar kualitas tinggi agar kerang siap ekspor. Penelitian ini menyelidiki metode kontrol kualitas yang efektif untuk kerang batik yang layak ekspor dengan mengambil sampel dari perusahaan terkait. Setelah proses pra-pemrosesan citra, dilakukan ekstraksi fitur, termasuk fitur bentuk (eccentricity, metric) dan fitur tekstur (GLCM). Fitur-fitur ini digunakan dalam algoritma SVM (Support Vector Machine) dengan kernel RBF, yang dipilih karena kemampuannya menangani data non-linear, untuk mencapai akurasi optimal. Metode optimasi PSO (Particle Swarm Optimization) juga diterapkan untuk meningkatkan akurasi lebih lanjut. Penelitian menunjukkan bahwa SVM dengan kernel RBF mencapai akurasi tertinggi sebesar 96,43% pada sudut 45° dan 90°. Setelah dioptimalkan dengan PSO, akurasi meningkat menjadi 97,86% pada sudut 90°. Dengan demikian, penerapan PSO pada algoritma SVM secara signifikan meningkatkan akurasi klasifikasi.   Kata kunci: SVM, PSO, Kerang Batik, Kernel RBF, GLCM
Peningkatan Kinerja K-Means Clustering pada Data Penggunaan ChatGPT oleh UMKM Supriyati, Endang; Listyorini, Tri; Iqbal, Mohammad
Techno.Com Vol. 24 No. 1 (2025): Februari 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i1.11838

Abstract

Di era digital saat ini, Usaha Mikro, Kecil Dan Menengah (UMKM) semakin banyak menggunakan teknologi chatbot seperti ChatGPT untuk berinteraksi dengan pelanggan. Namun, mengekstraksi wawasan yang bermakna dari sejumlah besar data yang dihasilkan oleh interaksi ini masih merupakan sebuah tantangan.  Penelitian ini mengusulkan pendekatan untuk meningkatkan analisis data penggunaan ChatGPT oleh UMKM menggunakan kombinasi K-Means clustering dan Independent Component Analysis ( (ICA) untuk pengurangan dimensi.  Pendekatan ini bertujuan untuk menemukan pola dan cluster tersembunyi dalam data dengan mereduksi ruang fitur menggunakan ICA dan kemudian menggunakan K-Means clustering.  Selain itu, penelitian ini mempertimbangkan kombinasi metode Elbow untuk mengoptimalkan pemilihan jumlah cluster yang optimal. Melalui eksperimen dan evaluasi, ditunjukkan efektivitas metode yang diusulkan, sehingga memberikan UMKM alat yang ampuh untuk mendapatkan wawasan berharga dari data penggunaan ChatGPT. Penelitian ini menggunakan data dari 50 UMKM di Kabupaten Kudus . Hasil evaluasi kinerja K-means menunjukkan untuk data yang relatif kecil, penggunaan ICA kurang mempengaruhi kinerja K-Means. Skenario uji coba data dengan ICA menunjukkan skor silhouette yang lebih rendah, yaitu 0.19 dan 0.18 untuk masing-masing data pelatihan dan pengujian, sedangkan skenario uji coba data tanpa ICA menunjukkan skor silhouette yang lebih tinggi, yaitu 0.30 dan 0.23.   Kata kunci: K-Means clustering, metode Elbow, ICA, ChatGPT, UMKM
Analisis Performa Deep Embedded Clustering untuk Pendeteksian Topik Cahyadi, Danu Julian; Murfi, Hendri; Satria, Yudi; Abdullah, Sarini; Widyaningsih, Yekti
Techno.Com Vol. 24 No. 1 (2025): Februari 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i1.11841

Abstract

Pendeteksian topik adalah solusi untuk mengungkap struktur laten dalam sebuah dokumen. Kerangka umum pendeteksian topik berbasis clustering terdiri dari dua langkah: pembelajaran representasi dan pendeteksian topik melalui clustering. Dalam penelitian ini, Bidirectional Encoder Representations from Transformers (BERT) digunakan untuk pembelajaran representasi karena BERT mampu menangkap konteks setiap kata berdasarkan kata-kata di sekitarnya. Representasi teks yang diperoleh dari BERT digunakan untuk pendeteksian topik dengan clustering. Deep Embedded Clustering (DEC) dan Improved DEC (IDEC) adalah model clustering berbasis deep learning yang digunakan dalam penelitian ini untuk pendeteksian topik. DEC dan IDEC mampu mengubah data ke dalam ruang dimensi yang lebih rendah serta mengoptimalkan cluster secara simultan. Output dari teknik clustering berupa kata-kata kunci yang menggambarkan setiap topik cluster. Setelah mendapat kata kunci yang mewakili topik, evaluasi model dilakukan dengan melakukan perbandingan nilai topic coherence menggunakan Topic Coherence - Word2Vec (TC-W2V) sebagai analisis kuantitatif. Penelitian ini merupakan perluasan dari penerapan DEC dan IDEC pada pendeteksian topik dengan menambahkan analisis visualisasi dan kata kunci. Simulasi menunjukkan bahwa DEC dan IDEC mengungguli Uniform Manifold  Approximation and Projection (UMAP)-based k-means (UKM) dan Eigenspace-Based Fuzzy C-Means (EFCM) dari segi nilai TC-W2V, hasil visualisasi, dan kata kunci.   Kata kunci: analisis teks, deep clustering, pemrosesan teks
Integrasi Virtual Reality dan Sistem Treadmill untuk Meningkatkan Pengalaman Wisatawan: Studi Kasus Destinasi Wisata Balekemambang Rozak, Rofiq 'Abdul; Tahyudin, Imam; Tikaningsih, Ades; Saefullah, Ufu; Prasetya, Subani Charis; Alam, Yusuf Nur
Techno.Com Vol. 24 No. 1 (2025): Februari 2025
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v24i1.11886

Abstract

Sektor pariwisata memegang peranan penting dalam pertumbuhan ekonomi negara-negara berkembang seperti Indonesia. Namun, metode promosi tradisional mungkin tidak lagi memadai untuk menarik pengunjung di era digital. Penelitian ini menyelidiki penerapan teknologi Virtual Reality (VR) yang terintegrasi dengan sistem treadmill untuk mempromosikan Balekemambang, destinasi wisata di Purwokerto, Jawa Tengah. Dengan menggabungkan sistem berbasis Raspberry Pi dan video 360 derajat Balekemambang, pengalaman VR memungkinkan pengguna menjelajahi situs secara virtual sambil berjalan di atas treadmill, mensimulasikan kunjungan di dunia nyata. Penelitian ini mengevaluasi efektivitas sistem ini dalam meningkatkan pengalaman imersif dan pengaruhnya terhadap minat wisatawan. Peserta diminta untuk mencoba sistem VR dan kemudian mengisi kuesioner untuk mengukur berbagai faktor, termasuk keterlibatan emosional, minat terhadap destinasi, dan kemungkinan berkunjung. Model regresi logistik mengungkapkan hasil yang signifikan, dengan tingkat akurasi 100%, seperti yang ditunjukkan oleh matriks kebingungan. Temuan ini menunjukkan bahwa pengalaman VR yang imersif dapat memengaruhi minat wisatawan secara signifikan, menjadikan VR sebagai alat yang ampuh untuk mempromosikan pariwisata.   Kata kunci: Realitas Virtual, Integrasi Treadmill, Regresi Logistik, Balekemambang

Filter by Year

2012 2025


Filter By Issues
All Issue Vol. 24 No. 4 (2025): November 2025 Vol. 24 No. 3 (2025): Agustus 2025 Vol. 24 No. 2 (2025): Mei 2025 Vol. 24 No. 1 (2025): Februari 2025 Vol. 23 No. 4 (2024): November 2024 Vol. 23 No. 3 (2024): Agustus 2024 Vol. 23 No. 2 (2024): Mei 2024 Vol. 23 No. 1 (2024): Februari 2024 Vol. 22 No. 4 (2023): November 2023 Vol 22, No 3 (2023): Agustus 2023 Vol 22, No 2 (2023): Mei 2023 Vol. 22 No. 1 (2023): Februari 2023 Vol 21, No 4 (2022): November 2022 Vol 21, No 3 (2022): Agustus 2022 Vol 21, No 2 (2022): Mei 2022 Vol 21, No 1 (2022): Februari 2022 Vol 20, No 4 (2021): November 2021 Vol 20, No 3 (2021): Agustus 2021 Vol 20, No 2 (2021): Mei 2021 Vol 20, No 1 (2021): Februari 2021 Vol 19, No 4 (2020): November 2020 Vol 19, No 3 (2020): Agustus 2020 Vol 19, No 2 (2020): Mei 2020 Vol 19, No 1 (2020): Februari 2020 Vol. 18 No. 4 (2019): November 2019 Vol 18, No 3 (2019): Agustus 2019 Vol 18, No 2 (2019): Mei 2019 Vol 18, No 1 (2019): Februari 2019 Vol 17, No 4 (2018): November 2018 Vol 17, No 3 (2018): Agustus 2018 Vol 17, No 3 (2018): Agustus 2018 Vol 17, No 2 (2018): Mei 2018 Vol 17, No 1 (2018): Februari 2018 Vol 16, No 4 (2017): November 2017 Vol 16, No 3 (2017): Agustus 2017 Vol 16, No 2 (2017): Mei 2017 Vol 16, No 1 (2017): Februari 2017 Vol 15, No 4 (2016): November 2016 Vol 15, No 3 (2016): Agustus 2016 Vol 15, No 2 (2016): Mei 2016 Vol 15, No 1 (2016): Februari 2016 Vol 14, No 4 (2015): November 2015 (Hal. 242-342) Vol 14, No 3 (2015): Agustus 2015 (Hal. 165-241) Vol 14, No 2 (2015): Mei 2015 (Hal. 79-164) Vol 14, No 1 (2015): Februari 2015 (Hal. 1-78) Vol 13, No 4 (2014): November 2014 (Hal. 198-262) Vol 13, No 3 (2014): Agustus 2014 (Hal. 132-197) Vol 13, No 2 (2014): Mei 2014 (Hal. 69-131) Vol 13, No 1 (2014): Februari 2014 (Hal. 1-68) Vol 12, No 4 (2013): November 2013 (Hal. 188-240) Vol 12, No 3 (2013): Agustus 2013 (Hal. 136-187) Vol 12, No 2 (2013): Mei 2013 (Hal. 73-135) Vol 12, No 1 (2013): Februari 2013 (Hal. 1-72) Vol 11, No 4 (2012): November 2012 (Hal. 156-210) Vol 11, No 3 (2012): Agustus 2012 (Hal. 108-158) Vol 11, No 2 (2012): Mei 2012 (Hal. 55-106) Vol 11, No 1 (2012): Februari 2012 (Hal. 1-54) More Issue