cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
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
Published by Universitas Dian Nuswantoro
ISSN : 14122693     EISSN : 23562579     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Engineering
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
 61   62   63   64   65 
Sistem Personalisasi Pasien Diabetes Berbasis Domain Fitur Menggunakan Algoritma Gradient Boosting Machine Praningki, Tutus; Kurniawan, David Thanlian
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.v24i1.11928

Abstract

Jumlah penderita penyakit diabetes diproyeksikan akan terus meningkat dalam beberapa tahun mendatang. Pengukuran glukosa darah, olahraga, diet, dan pengobatan farmakologis adalah beberapa metode yang dapat digunakan untuk penanganan pasien penderita penyakit diabetes. Penggunaan metode yang sama tidak selalu efektif untuk setiap pasien diabates, karena respons setiap individu terhadap penggunaan metode terapi dapat berbeda-beda. Pendekatan berbasis Machine Learning telah banyak digunakan untuk penanganan penyakit diabetes, baik untuk deteksi dini maupun proses perawatan pasien diabetes. Pada konteks penanganan pasien diabetes mellitus, pemilihan terapi yang tepat bagi setiap pasien sangat penting untuk dapat mencapai kontrol glikemik yang baik dan mencegah komplikasi jangka panjang. Permasalahan dalam penanganan pasien diabetes adalah menentukan model yang tepat untuk setiap pasien yang berbeda, sehingga pendekatan model berbasis domain fitur menjadi sangat penting untuk diterapkan. Domain fitur yang digunakan dalam penelitian ini adalah demografi, riwayat medis, dan gaya hidup. Hasil pengujian didapatkan bahwa domain fitur riwayat medis menjadi faktor penting untuk deteksi kenaikan kadar gula dalam darah pasien diabetes. Tingkat akurasi yang didapatkan algoritma GBM dengan menggunakan domain fitur demografi, riwayat medis, dan gaya hidup adalah 96%. Dengan hasil pengujian aplikasi rekomendasi personalisasi pasien diabetes dapat gunakan oleh tenaga medis pada program Prolanis.   Kata kunci: Gradient Boosting Machine, Machine Learning, Diabetes, Domain Fitur
Evaluation of Machine Learning Models in Classifying Women's Labor Force Participation in West Java Siregar, Indra Rivaldi; Pratiwi, Windy Ayu; Nugraha, Adhiyatma; Sartono, Bagus; Firdawanti, Aulia Rizki
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.v24i1.11945

Abstract

This study compares four classification models—Logistic Regression, Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Adaptive Boosting (AdaBoost)—to predict women's labor force participation in West Java, using a dataset of 62 features. After feature selection, the dataset was reduced to 31 features, followed by modeling with the top 10 most important features from each model. Model performance, evaluated using Balanced Accuracy, F1-Score, and Cohen’s Kappa, showed similar results, with RF and XGBoost slightly outperforming the others. However, the differences were not significant, indicating comparable predictive ability across models. The top 10 features from each model were averaged, and the five most influential features were selected. Key factors influencing women's employment status include household responsibilities, age, education, district minimum wage, and the age of the youngest child. The analysis found that 79.6% of unemployed women manage household duties, while employed women are less involved (18.9%). Age was significant, with employed women mostly in the 35-55 age range, correlating with older children and greater workforce participation. Additionally, employed women are more likely to come from regions with lower minimum wages, suggesting that economic necessity drives their labor market participation. Keywords: female labor force, machine learning, classification, West Java
Perbandingan Algoritma CNN, LSTM, FNN untuk Diagnosa Fibrosis Hati dengan Citra Medis Febryanto, Bagas Aji; 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.v24i1.12020

Abstract

Fibrosis hati merupakan kondisi yang berpotensi berkembang menjadi sirosis atau kanker hati jika tidak terdiagnosis dengan tepat. Prosedur biopsi hati yang invasif sering digunakan dalam diagnosis, namun memiliki risiko dan keterbatasan biaya. Penelitian ini bertujuan untuk membandingkan kinerja model deep learning, yaitu Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan Feedforward Neural Network (FNN) dalam klasifikasi fibrosis hati menggunakan citra medis. Metode yang digunakan adalah evaluasi kinerja model berdasarkan metrik akurasi, presisi, recall, F1-score, dan loss pada dataset citra medis fibrosis hati. Hasil penelitian menunjukkan bahwa CNN memberikan kinerja terbaik dengan akurasi 98%, diikuti oleh LSTM dengan akurasi 97%, dan FNN dengan akurasi 80%. CNN unggul karena kemampuannya dalam mengekstraksi fitur spasial secara otomatis dari citra medis, sementara LSTM lebih cocok untuk data sekuensial dan FNN terbatas dalam menangani data citra kompleks. Penelitian ini menyimpulkan bahwa CNN lebih efektif dalam klasifikasi fibrosis hati dan dapat menjadi alternatif non-invasif yang lebih efisien dibandingkan metode konvensional seperti biopsi. Teknologi ini berpotensi mempercepat diagnosis fibrosis hati dengan akurasi tinggi dan tanpa risiko komplikasi invasif.   Kata kunci: Fibrosis hati, CNN, LSTM, FNN, klasifikasi citra medis.
Evaluasi Performa XGBoost dengan Oversampling dan Hyperparameter Tuning untuk Prediksi Alzheimer Yahya, Furqon Nurbaril; Anshori, Mochammad; Khudori, Ahsanun Naseh
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.v24i1.12057

Abstract

Alzheimer adalah gangguan neurodegeneratif yang mempengaruhi kemampuan kognitif dan memori, deteksi dini sangat penting untuk pengobatan yang tepat. Namun, untuk mendeteksi Alzheimer memerlukan biaya yang tinggi, sehingga penggunaan machine learning bisa menjadi alternatif yang lebih efisien. Salah satu tantangan utama dalam penerapan machine learning untuk mendeteksi Alzheimer adalah ketidakseimbangan data, di mana jumlah kasus positif (Alzheimer) jauh lebih sedikit daripada kasus negatif (sehat), yang berdampak pada kinerja model. Penelitian ini bertujuan untuk mengidentifikasi pengaruh teknik oversampling dan hyperparameter tuning terhadap hasil model XGBoost dalam prediksi Alzheimer. Empat eksperimen dilakukan untuk melihat masing-masing performa terhadap model, yaitu: (1) model dasar XGBoost, (2) XGBoost dengan oversampling, (3) XGBoost dengan hyperparameter tuning, dan (4) XGBoost dengan kombinasi oversampling dan hyperparameter tuning. Hasil penelitian menunjukkan bahwa eksperimen kedua (XGBoost + Oversampling) menghasilkan performa terbaik yaitu dengan recall 96,1%, Presisi 94%, akurasi 95,3%, dan F1-Score 95%. Temuan ini menunjukkan bahwa penerapan oversampling dapat meningkatkan kinerja model dalam mengatasi masalah ketidakseimbangan data. Penelitian ini memberikan kontribusi dalam pengembangan model deteksi Alzheimer dengan menekankan pentingnya penanganan ketidakseimbangan data.   Kata kunci: XGBoost, Oversampling, Hyperparameter Tuning, Prediksi Dini, Alzheimer.
Analisis Perbandingan Kinerja Backend API Menggunakan PHP, Golang, dan JavaScript Pratama, Fanes; Farisi, Ahmad
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.v24i1.12080

Abstract

Pengembangan backend API yang efisien sangat penting dalam mendukung aplikasi web modern. Namun, pemilihan bahasa pemrograman dan metode query yang optimal masih menjadi tantangan bagi pengembang. Penelitian ini bertujuan untuk membandingkan kinerja backend RESTful API yang dibangun menggunakan tiga bahasa pemrograman (Go, PHP, dan JavaScript) serta empat metode pengambilan data (Raw SQL, ORM, Query Builder, dan Stored Procedure). Metode penelitian yang digunakan adalah kuantitatif true-experimental, dengan pengujian Load Testing, Spike Testing, dan Stress Testing untuk mengevaluasi jumlah permintaan yang berhasil, penggunaan CPU, dan penggunaan memori. Hasil pengujian menunjukkan bahwa Go dengan Raw SQL memiliki kinerja tertinggi dalam jumlah permintaan, waktu respons, dan penanganan beban, diikuti oleh Node.js, sementara PHP memiliki kinerja terendah.   Kata kunci: Backend API, Pengujian Kinerja, Metode Query
Klasifikasi Fitur Game Edukasi Berdasarkan Kebutuhan Pengguna Menggunakan Model Kano Aprilia, Hanifah; Rizky, Rizky; Filza, Muhammad Fairul
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.v24i1.12084

Abstract

Game edukasi memiliki berbagai fitur yang dapat meningkatkan proses pembelajaran, namun banyaknya fitur ini harus `disesuaikan dengan kebutuhan pengguna untuk meningkatkan efektivitas pembelajaran. Penelitian ini menganalisis fitur dalam game edukasi berdasarkan kebutuhan pengguna menggunakan model Kano. Peneliti mencari bagaimana Model Kano dapat diterapkan untuk mengklasifikasikan fitur permainan edukasi berdasarkan preferensi pengguna, dan bagaimana hasil analisis Kano dapat membantu pengembang dalam mengarahkan pengembangan fitur untuk meningkatkan kepuasan pengguna. Metode penelitian ini melibatkan analisis literatur terkait, survei kebutuhan pengguna, dan penerapan Model Kano untuk mengklasifikasikan fitur permainan edukasi. Peneliti membandingkan kebutuhan fitur game oleh guru dan mahasiswa. Hasil penelitian menunjukkan bahwa terdapat perbedaan fitur yang signifikan antara guru dan mahasiswa, hal ini dapat dilihat dari klasifikasi yang dihasilkan oleh Model Kano.   Kata Kunci: Klasifikasi, Model Kano, Identifikasi
Analisis Perbandingan Kinerja dan Penggunaan Energi pada Framework React dan Vue Wijaya, Indra; Farisi, Ahmad
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.v24i1.12092

Abstract

Pengembangan website yang optimal membutuhkan pemilihan framework yang tepat untuk meningkatkan kinerja dan efisiensi. Penelitian ini bertujuan untuk membandingkan kinerja dan konsumsi energi framework React dan Vue, menggunakan metrik seperti FCP, LCP, SI, TBT, CLS dengan menggunakan Google Lighthouse. Kinerja rendering time, dan penggunaan memori menggunakan Google DevTools. Konsumsi energi diukur dengan menggunakan tools Globemallow. Penelitian ini menggunakan metode pendekatan kuantitatif dengan metode true-experimental research. Metode ini dipilih karena memungkinkan pengukuran sistematis dan objektif melalui variabel-variabel dalam kondisi terkontrol, sesuai tujuan penelitian. Eksperimen dimulai dari mengembangkan halaman website kemudian menyiapkan perangkat keras setelah itu melaksanakan skenario pengujian kemudian menganalisis dan menginterpretasikan data yang didapatkan. Hasil penelitian menunjukkan bahwa Vue memiliki kinerja lebih unggul berdasarkan pengujian kinerja rendering time dan kinerja FCP, LCP, TBT, CLS, dan SI, sementara React lebih efisien dalam penggunaan memori, dan konsumsi energi. Temuan ini memberikan rekomendasi framework yang optimal berdasarkan kebutuhan kinerja dan keberlanjutan untuk pengembangan aplikasi web.   Kata kunci: React, Vue, Kinerja Website, Penggunaan Energi, Google Lighthouse.
Penerapan Algoritma Linear Regression dan Support Vector Regression dalam Prediksi Temperatur Udara di Malang Karnisih, Karnisih; Sunarno, Sunarno; Iqbal, Iqbal; Djuniadi , Djuniadi; Pribadi, Feddy Setio
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.v24i1.12094

Abstract

Perubahan iklim global dan peningkatan variabilitas cuaca membuat prediksi temperatur udara menjadi salah satu kebutuhan penting di berbagai sektor. Temperatur udara merupakan parameter penting dalam meteorologi yang mempengaruhi berbagai aspek kehidupan manusia. Predisi temperatur udara saat ini banyak memanfaatkan algoritma machine learning, namum nilai akurasi masih belum optimal. Tujuan dari penelitian ini untuk meningkatkan akurasi prediksi temperatur udara rata-rata dengan menggunakan pendekatan berbasis machine learning. Metode dalam penelitian ini menggunakan algoritma Linear Regression dan Support Vector Regression (linier dan gaussian non linear) karena memiliki akurasi prediksi data yang cukup baik di berbagai bidang termasuk bidang hidrologi. Penelitian ini menggunakan data dari Badan Meteorologi Klimatologi dan Geofisika (BMKG) lokasi Stasiun Klimatologi Jawa Timur periode data tahun 2019-2023 dengan parameter cuaca temperatur rata-rata (TAV), kelembaban udara (HAV), kecepatan angin (WAV), curah hujan (RR), tekanan udara (PPP), Penyinaran matahari (SUN) dan titik embun (DEW_POINT). Kinerja model dievaluasi menggunakan pengukuran metrik MSE, RMSE, MAE, MAPE dan R². Hasil pengukuran kinerja model algoritma Gaussian support vector Regression (non linier SVR) lebih baik dibanding dengan linear support vector Regression (linear SVR) dan  algoritma linear regression dengan nilai yang lebih tinggi R² sebesar  0,9891 ± 0,0011 dan nilai error yang lebih rendah pada semua metrik pengukuran. Kata kunci: Prediksi temperatur udara, machine learning, Linear Regression,  Suport Vektor Regression
Integrasi Perangkat Energy Meter iEM3255 Pada Sistem Pemantau Konsumsi Energi Listrik Berbasis Internet of Things (IoT) Menggunakan Komunikasi ModBus Atmajaya, Gde KM; Abdullah, Muhammad Husein; Wahyudi, Aditio; Yuliansyah, Harry
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.v24i1.12110

Abstract

Energi listrik merupakan salah satu energi yang banyak dimanfaatkan dalam menjalankan segala aktivitas manusia. Konsumsi energi listrik yang tidak terkendali dapat menjadi potensi pemborosan yang dapat merugikan dari segi ekonomi dan lingkungan. Berdasarkan permasalahan tersebut, dirancang suatu sistem pemantau konsumsi energi listrik berbasis Internet of Things (IoT) untuk memantau konsumsi energi listrik. Sistem ini tersusun dari sensor arus, energy meter iEM3255, Mikrokontroller ESP32, perangkat LoRa, dan suplai daya. Komponen – komponen tersebut diintegrasikan menggunakan komunikasi ModBus dan hasil pengukuran dapat dilihat melalui aplikasi smartphone yang dibuat menggunakan platform Kodular. Berdasarkan hasil implementasi dan pengukuran arus, tegangan, dan daya diperoleh nilai error sebesar 3,84%. Berdasarkan hasil tersebut dapat disimpulkan perangkat Energy Meter iEM3255 dapat diintegrasikan dengan sistem pemantau konsumsi energi listrik berbasis IoT dengan menyesuaikan kapasitas beban yang terpasang.   Kata kunci: Sistem Pemantau Energi Listrik, Energy Meter, Komunikasi ModBus, IoT.
Analisa Tata Letak Objek pada Ruang Koridor dengan Cellular Automata berbasis Perilaku Manusia Mu'arifin, Mu'arifin; Harsono, Tri; Barakbah, Ali Ridho
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.v24i1.12131

Abstract

Sebuah Sistem evakuasi yang baik diharapkan dapat memberikan dampak minimalnya korban ketika terjadi bencana. Penelitian ini menganalisis dampak dari tata letak objek dalam ruangan terhadap proses evakuasi pejalan kaki.  Data simulasi dari dampak objek dalam ruangan akan dilakukan analisa pengaruhnya terhadap kepanikan. Perilaku panik ini dituangkan ke dalam perubahan parameter Ks dan Kd. Simulasi pengaruh objek dalam ruangan ini dituangkan ke dalam aplikasi simulasi dengan pemetaan berbentuk koridor. Hasil penelitian ini menunjukan bahwa parameter Ks dan Kd memiliki pengaruh objek dalam melakukan evakuasi. Model dengan penghalang akan membawa pengaruh jika penghalang yang dibuat tegak lurus dengan pintu keluar. Hal ini terjadi karena perpindahan objek ditentukan dengan probabilitas perpindahan pada grid Cellular Automata.   Kata kunci: Penghalang, Panik, Perilaku, Cellular Automata, Pemodelan

Page 63 of 74 | Total Record : 737

 61   62   63   64   65 

Filter by Year

2012 2025


Reset
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