cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota yogyakarta,
Daerah istimewa yogyakarta
INDONESIA
Jurnal Buana Informatika
Published by Universitas Atma Jaya Yogyakarta
ISSN : 20872534     EISSN : 20897642     DOI : -
Core Subject : Science,
Computer Science & IT
Arjuna Subject : -
Articles 594 Documents
 47   48   49   50   51 
Implementasi Ekstraksi Ciri Histogram dan K-Nearest Neighbor untuk Klasifikasi Jenis Tanah di Kota Banjar, Jawa Barat Rudiono Rudi; Donny Avianto
Jurnal Buana Informatika Vol. 10 No. 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v10i2.2141

Abstract

Abstract. Land plays an essential role in the availability of nutrients and water to support our life on earth. Soil quality can be observed based on its color and texture characteristics. By knowing the quality of the soil, the most suitable plants for planting can be determined. This study is conducted to examine the soil quality in Langensari. The most regions in Langensari are in the altitude of fewer than 25 meters above sea level that they are very potential for agriculture and plantation. The proposed system used in this research is a cross-sectional image of the ground as input. The image is then extracted using histogram feature extraction to obtain the intensity, standard deviation, skewness, energy, entropy and smoothness values. K-Nearest Neighbor is then used to classify the results. The proposed system was tested using 20 test images. Based on the experiment result, the system can classify soil types appropriately with accuracy reaching 60% when value of K = 1and K=3.Keywords: Soil Types Classification, Histogram Feature Extraction, K-Nearest Neighbor, Website.Abstrak. Tanah memegang peranan penting dalam tersedianya unsur hara dan air bagi kehidupan makhluk hidup di bumi. Kualitas tanah dapat diketahui dari karakteristik warna dan teksturnya. Dengan mengetahui kualitas tanah, jenis tanaman yang paling tepat untuk ditanam dapat ditentukan. Penelitian ini mengenai kualitas tanah di Langensari. Sebagian besar wilayah Langensari dipilih karena memiliki ketinggian kurang dari 25 mdpl dimana sangat berpotensi sebagai daerah pertanian dan perkebunan. Sistem yang diusulkan menggunakan citra penampang tanah sebagai inputan. Citra kemudian diekstrak menggunakan ekstraksi ciri histogram untuk mendapatkan nilai intensitas, standar deviasi, skewness, energi, entropi, dan smoothness. Fitur yang dihasilkan kemudian diklasifikasikan menggunakan algoritma K-Nearest Neighbor. Sistem yang diusulkan diuji menggunakan 20 citra uji. Berdasarkan hasil pengujian, sistem mampu mengklasifikasikan jenis tanah secara tepat dengan akurasi mencapai 60% saat nilai K = 1 dan nilai K=3.Kata Kunci: Klasifikasi Jenis Tanah, Ekstraksi Ciri Histogram, K-Nearest Neighbor, Website.
Analisis Sentimen pada Indeks Kinerja Dosen Fakultas SAINTEK UIN Sunan Kalijaga Menggunakan Naive Bayes Classifier Bama Abpama Sevsa; M. Didik R Wahyudi
Jurnal Buana Informatika Vol. 10 No. 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v10i2.2250

Abstract

Abstract. UIN Sunan Kalijaga Yogyakarta has a lecturer performance appraisal system commonly referred to as IKD (Lecturer Performance Index) in the Academic Information System. At the end of semester, students give the assessment by filling in a questionnaire concerning judgement and suggestion towards the campus learning activities. The questionnaire results may reveal which are the negative, neutral or positive sentiments by conducting sentiment analysis. The sentiment analysis used is Naive Bayes Classifier. In this study, 8249 data were used, with the composition of 3000 training data with labels and 5249 test data without labels. The sentiment analysis of the critical data and suggestions of the IKD resulted in greater accuracy using the TF-IDF weighting, which was 73.9% compared to TF weighting which was 72.8%. This accuracy value is obtained from 3000 training data that has been labeled using the evaluation method of the K-Fold Cross Validation classification model.Keywords: Sentiment Analysis, IKD (Lecturer Performance Index), Naive Bayes Classifier, K-fold cross validation.Abstrak.UIN Sunan Kalijaga Yogyakarta memiliki sistem penilaian kinerja dosen yang biasa disebut dengan IKD (Indeks Kinerja Dosen) pada Sistem Informasi Akademik. Pada akhir semester, para mahasiswa akan memberikan penilaian dengan mengisi kuesioner mengenai kritik dan saran bagi kegiatan perkuliahan. Data-data dari hasil kuesioner yang didapat bisa menunjukkan apakah adanya sentimen negatif, netral, ataupun positif dengan cara melakukan analisis sentimen. Analisis sentimen yang dipergunakan adalah Naive Bayes Classifier. Penelitian ini menggunakan 8249 data dengan komposisi 3000 data latih dengan label dan 5249 data uji tanpa label. Analisis sentimen data kritik dan saran IKD ini menghasilkan akurasi yang lebih besar menggunakan pembobotan TF-IDF yaitu 73,9% dibandingkan dengan pembobotan TF yaitu 72,8%. Nilai akurasi ini didapatkan dari 3000 data latih yang sudah diberi label menggunakan metode evaluasi model klasifikasi K-Fold Cross Validation.Kata Kunci: Analisis Sentimen, Indeks Kinerja Dosen, Naive Bayes Classifier, K-Fold Cross Validation
Penentuan Jenis Tanaman Berdasarkan Kemiringan Lahan Pertanian Menggunakan Adopsi Linier Programming Berbasis Pengolahan Citra Christin Nandari Dengen; Azriel Christian Nurcahyo; Kusrini Kusrini
Jurnal Buana Informatika Vol. 10 No. 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v10i2.2253

Abstract

Abstract. The slope is a measure of the slope of the land relative to the flat plane which is generally expressed in percent or degree. Agricultural land that has a slope of more than 15 ° can be more easily damaged. In this study, a value of 2.5 ° was used in determining the normal slope. The process of implementing a decision support system used linear programming adoption in determining the slope and rotation of the slope of the land and determining whether the normalization of the image input was necessary or not. The purpose of this research is to determine the time needed to determine the plant types based on angle rotation setting determined by the user. The results of the study shows that the greater height and width of an object, the longer time needed to determine the plant types, land price and the land slope. The results of the study were obtained in conducting five tests. Tests 1 and 2 images with height and image width ranged from 150-480 obtained time for normalization of 15-30, testing 3.4.5 images with height and image widths ranging from 322 and 788 requiring 54- 108.Keywords: Slope, Adopting Linear Programming, Decision Support SystemsAbstrak. Kemiringan lereng merupakan ukuran kemiringan lahan relatif terhadap bidang datar yang secara umum dinyatakan dalam persen atau derajat. Lahan pertanian yang mempunyai kemiringan lebih dari 15° dapat lebih mudah rusak. Pada penelitian ini digunakan nilai 2,5 ° pada penentuan kemiringan normalisasi.Proses implementasi system pendukung keputusan menggunakan adopsi linier programing dalam menentukan sudut kemiringan lahan, rotasi kemiringan lahan dan menentukan perlu atau tidaknya normalisasi pada input citra tersebut. Tujuan dari penelitian ini menentukan waktu yang dibutuhkan dalam menentukan jenis tanaman berdasarkan rotasi atau sudut pengedukan yang ditentukan oleh user. Hasil penelitian menunjukkan semakin besar tinggi dan lebar suatu objek semakin lama waktu yang dibutuhkan untuk menentukan jenis tanaman, harga lahan atau kemiringan lahan. Lima pengujian dilakukan dalam penelitian ini. Pada pengujian 1 dan 2, citra dengan tinggi dan lebar berkisar 150-480 didapatkan waktu untuk normalisasi 15-30. Pada pengujian 3,4,5 citra dengan tinggi dan lebar citra berkisar 322 dan 788 dibutuhkan waktu 54-108.Kata Kunci: Kemiringan lereng, Adopsi Linear Programming, Sistem Pendukung Keputusan
Rekomendasi Pemilihan Barang pada Parcel dengan Algoritma Harmony Search Hendry Setiawan; Kevin Putra Wardojo; Oesman Hendra Kelana
Jurnal Buana Informatika Vol. 10 No. 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v10i2.2332

Abstract

Abstract. A parcel containing a variety of items, is a gift given to someone who has a relationship with the giver. The contents of the parcel vary, can be in the form of food, drinks, cakes, fruit, sweets, and others. In some supermarkets, generally before the commemoration of a certain day, Parcel has been provided with various contents in the price that has been set. But commonly the buyers want to package the Parcel with different content and price. To facilitate the search for the contents of the parcel based on these prices, the Harmony Search algorithm is used. Search development is carried out with consideration of basket size, item categories, and percentages of each category Evaluation of the aesthetic value sought is the minimum value of the difference in price set with the total search price obtained. The test results show the best aesthetic value is obtained at the value of Harmony Memory Consideration Rate (HMCR) of 0,95 with an average aesthetic percentage of 0,2691%.Keywords: aesthetic function, harmony search algorithms, parcelAbstrak. Parcel yang berisi berbagai macam barang, merupakan suatu hadiah yang diberikan kepada seseorang yang memiliki relasi dengan pemberinya. Isi dari parcel bervariasi, dapat berupa makanan, minuman, kue, buah, permen, maupun yang lain. Pada beberapa toko swalayan umumnya menjelang peringatan hari tertentu telah menyediakan Parcel dengan variasi isi di dalamnya dengan harga yang telah ditetapkan. Namun tidak jarang pembeli yang ingin mengemas Parcel mempunyai pandangan yang berbeda dengan isi parcel serta harga yang telah ditetapkan. Untuk memudahkan pencarian isi parcel yang berdasarkan harga tersebut maka digunakan algoritma Harmony Search. Pengembangan pencarian dilakukan dengan pertimbangan ukuran keranjang, kategori barang, serta prosentase masing-masing kategori. Evaluasi nilai aesthetic yang dicari adalah nilai minimum dari selisih harga yang ditetapkan dengan total harga pencarian yang didapatkan. Hasil pengujian menunjukkan nilai aesthetic terbaik didapatkan pada nilai Harmony Memory Consideration Rate (HMCR) 0,95 dengan presentase rata-rata aesthetic sebesar 0,2691%.Kata Kunci: algoritma harmony search, fungsi aesthetic, parcel
Pembangunan Aplikasi Alat Bantu Proses Anotasi Menggunakan Progressive Web Apps I Gede Bagus Artha Suryawan; Y. Sigit Purnomo WP; Ernawati Ernawati
Jurnal Buana Informatika Vol. 10 No. 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v10i2.2380

Abstract

Abstract.Dataset is the key to natural language processing. Datasets can be created by giving information to a text or sentence (annotation process). The process can be done either manually or automatically. The automatic one is considered easier and it takes a shorter period of time compared to the manual process. This study is done to develop an application of data annotation (AADT) using Progressive Web Apps (PAW). This application is built by implementing text information extraction to support NER (Named Entity Recognition) approach. The result shows that AADT successfully helped the annotation process of the text data. PWA application sustains the data storage which is continually accessed with small change rate. Besides, PWA is able to keep this application stable. NER (Named Entity Recognition) implementation in this application successfully produced the dataset desired by its users.Key words: Natural Language Processing, Named Entity Recognition, Annotation, Progressive Web Apps.Abstrak.Dataset adalah komponen utama dalam pemrosesan bahasa alami. Dataset dapat dibuat dengan melakukan pemberian informasi pada sebuah teks ataupun sebuah kalimat (proses anotasi). Pembuatan dataset dapat dilakukan secara manual dan otomatis. Pembuatan dataset secara otomatis lebih mudah dan membutuhkan waktu yang lebih singkat daripada pembuatan secara manual. Penelitian ini bertujuan membuat aplikasi alat bantu proses anotasi AADT (Aplikasi Anotasi Data Teks) dengan menggunakan PWA (Progressive Web Apps). Aplikasi ini dibangun dengan menerapkan information extraction terhadap teks untuk mendukung pendekatan NER (Named Entity Recognition). Hasil penelitian menunjukkan bahwa aplikasi ini berhasil membantu proses anotasi data teks. Penggunaan PWA pada aplikasi ini membantu dalam penampungan data yang akan diakses secara terus menerus dengan tingkat perubahan yang kecil. Selain itu PWA membuat aplikasi tetap stabil. Penerapan NER pada aplikasi ini berhasil menghasilkan dataset yang sesuai dengan keinginan pengguna.Kata Kunci: Pemrosesan Bahasa Alami, Named Entity Recognition, Anotasi, Progressive
Class Imbalanced Learning Menggunakan Algoritma Synthetic Minority Over-sampling Technique – Nominal (SMOTE-N) pada Dataset Tuberculosis Anak Yulia Ery Kurniawati
Jurnal Buana Informatika Vol. 10 No. 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v10i2.2441

Abstract

Abstract. Class Imbalanced Learning (CIL) is the learning process for data representation and information extraction with severe data distribution to develop effective decisions supporting the decision-making process. SMOTE-N is one of the data level approach in CIL using over-sampling method. It generates synthetic instances to balance its minority class. This research applied SMOTE-N on Children Tuberculosis Dataset that has class imbalance. Over-sampling method is chosen to avoid important information loss because the Childhood Tuberculosis Dataset has a small number of instances. The Naive Bayes Classifier has been applied to the balance dataset to evaluate its model. The results show that SMOTE-N can improve CIL performance metrics.Keywords: Class Imbalance Learning, Over-sampling, SMOTE-N, Naïve Bayes ClassifierAbstrak. Class Imbalance Learning (CIL) merupakan proses pembelajaran untuk representasi data dan ekstraksi informasi dengan distribusi data yang buruk untuk mendukung pembuatan keputusan yang efektif dalam proses pengambilan keputusan. SMOTE-N adalah salah satu pendekatan data-level dalam CIL mengunakan metode over-sampling. SMOTE-N menghasilkan instance sintesis untuk menyeimbangkan jumlah instance pada kelas minoritasnya. Penelitian ini mengaplikasikan SMOTE-N pada dataset Tuberculosis Anak (TB Anak) yang memiliki ketidakseimbangan kelas. Metode over-sampling dipilih untuk menghindari kehilangan informasi yang penting dikarenakan dataset TB Anak memiliki jumlah instance yang sedikit. Naïve Bayes Classifier digunakan untuk mengevaluasi model dari dataset yang sudah seimbang. Hasilnya menunjukkan bahwa SMOTE-N dapat meningkatkan kinerja pada CIL.Kata Kunci: Class Imbalance Learning, Over-sampling, SMOTE-N, Naïve Bayes Classifier
Klasifikasi Ujaran Kebencian pada Cuitan dalam Bahasa Indonesia Kevin Antariksa; Y. Sigit Purnomo WP; Ernawati Ernawati
Jurnal Buana Informatika Vol. 10 No. 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v10i2.2451

Abstract

Abstract. The sheer amount of hate speech in social media is making people nauseous. The amount of hate speech these days keeps increasing and yet, there was no preventive act to counter back the hate speech. Pre-existing hate speech detection is also not yet available in Bahasa Indonesia. A machine learning model that is able to recognize hate speech in Bahasa Indonesia will be explained in this article. The model will compare pre-existing methods in machine learning. Naive Bayes, SVM, and Logistics Regression are the methods that will be used for the model. Some of the parameters in the test will be altered to achieve the maximum value for detecting hate speech. The expectation is a machine learning model that is able to recognize hate speech in Bahasa Indonesia accurately. Expected accuracy is above 85%. After the experiment, the highest accuracy achieved was at 98%, while the lowest accuracy was only 80%.Keywords: Hate speech detection, machine learning model, social media, Bahasa Indonesia, tweetsAbstrak. Banyaknya ujaran kebencian yang ada di media sosial sudah membuat jengah. Ujaran kebencian tersebut makin marak dijumpai namun masih belum ada upaya preventif dari media sosial untuk menangkalnya. Deteksi ujaran kebencian yang sudah dibuat juga belum tersedia dalam Bahasa Indonesia. Sebuah model pembelajaran mesin yang dapat mengenali ujaran kebencian dengan Bahasa Indonesia akan dibahas pada naskah ini. Dalam model tersebut dibandingkan beberapa metode pembelajaran mesin yang ada. Metode yang digunakan dalam pengujian adalah Naïve Bayes, SVM, dan Logistic Regression. Dalam pengujian, beberapa parameter akan diubah-ubah sehingga didapatkan nilai paling maksimal dalam deteksi ujaran kebencian. Hasil yang diharapkan adalah sebuah model pembelajaran mesin. Model tersebut diharapkan dapat mengenali ujaran kebencian berbahasa Indonesia secara akurat. Akurasi yang diharapkan adalah diatas 85%. Setelah percobaan, didapatkan nilai akurasi paling tinggi yaitu 98%, sedangkan nilai akurasi paling rendah yaitu 80%.Kata Kunci: Deteksi ujaran kebencian, model pembelajaran mesin, media sosial, Bahasa Indonesia, cuitan
Top-k Feature Selction Untuk Deteksi Penyakit Hepatitis Menggunakan Algoritme Naïve Bayes Riska Wibowo; Henny Indriyawati
Jurnal Buana Informatika Vol. 11 No. 1 (2020): Jurnal Buana Informatika Volume 11 - Nomor 1 - April 2020
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v11i1.2456

Abstract

Abstract. Becoming one of the society health problems in the world, hepatitis is an inflammation liver disease caused by a virus, bacterial infection, chemical substances including drugs and alcohol. In this research, for the dataset of hepatitis having high dimensionality, its value for each attribute was calculated using weight information gain method. Then, the attributes were selected by using top-k methods and were classified by using Naïve Bayes Algorithm respectively. This research showed that 9 out of 20 attributes had chosen to be the highest top-9 with an accuracy rate of 85.57%. Later on, this research can be useful for a consideration in a decision making process for various subjects related to feature selection and Naïve Bayes Algorithm method and also for predicting hepatitis.Keywords: data mining, weight information gain, Naïve Bayes algorithmAbstrak. Penyakit hepatitis merupakan masalah kesehatan masyarakat di dunia. Penyakit hepatitis merupakan penyakit peradangan hati yang disebabkan oleh virus, infeksi bakteri, zat-zat kimia termasuk obat-obatan dan alkohol. Pada penelitian ini, dataset hepatitis yang memiliki data berdimensi tinggi akan dihitung nilai bobot dari masing-masing atribut menggunakan metode weight information gain. Setelah dihitung nilai bobot dilakukan pemilihan atribut, atribut yang dipilih menggunakan metode top-k. Kemudian dilakukan klasifikasi menggunakan algoritme Naïve Bayes. Hasil penelitian menunjukkan dari 20 atribut, terpilih top-9 tertinggi dengan nilai akurasi 85.57%. Dengan adanya penelitian ini dapat digunakan sebagai bahan pertimbangan dan pengambilan keputusan pada berbagai bidang yang berkaitan dengan metode feature selection, algoritme Naïve Bayes, dan di dalam memprediksi penyakit hepatitis.Kata Kunci: data mining, weight information gain, algoritma Naïve Bayes
Segmentasi Warna Citra Bunga Daisy dengan Algoritma K-Means pada Ruang Warna Lab Derry Alamsyah; Dicky Pratama
Jurnal Buana Informatika Vol. 10 No. 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v10i2.2458

Abstract

Abstract. Segmentation in images of flowers or plants is an important pre-process in the field of botany, one of which is for identifying diseases of flowers or other plants. One of the problems in the image segmentation is the segmented images produced automatically. It is due to the long period of time needed to produce segmented images manually. To overcome these issues, a clustering process was carried out using the k-means algorithm. In this study segmentation is done by using Lab color space and RGB as a comparison to K-means in clustering the image of daisy flowers. Good results are showed by the Lab color space in the clustering process that 60% of the data has lower silhouette coefficient than RGB color space and 3.94% as the mean of s negative.Keywords: Segmentation, Lab, K-MeansAbstrak. Segmentasi pada citra bunga atau tanaman merupakan pra proses yang penting dalam bidang botani, salah satunya untuk mengidentifikasi penyakit pada bunga atau tanaman lainnya. Salah satu permasalahan dalam segmentasi citra adalah menghasilkan citra tersegmentasi secara otomatis. Hal tersebut dikarenakan kebutuhan akan waktu yang tidak sebentar untuk menghasilkan citra tersegmentasi secara manual. Untuk mengatasi kendala tersebut dilakukan proses klasterisasi dengan menggunakan algoritma K-means. Pada penelitian ini segmentasi dilakukan dengan menggunakan ruang warna Lab dan RGB sebagai pembanding kinerja k-means dalam mengklasterisasi citra bunga Desi. Hasil yang baik dimiliki oleh ruang warna Lab dalam proses klasterisasinya, yaitu dengan 60% data memiliki nilai silhoutte coeficient (s) yang lebih kecil dari ruang warna RGB dan memiliki rata-rata sebesar 3.94% s negatif.Kata Kunci: Segmentasi, Lab, k-Means
Analisis Perbandingan Website Digilib dengan Metode Penghitungan Usability Menggunakan Kuesioner SUS Hafidz Pudyastawa Aji; Nur Rochmah DPA, , S.T, M.Kom
Jurnal Buana Informatika Vol. 11 No. 1 (2020): Jurnal Buana Informatika Volume 11 - Nomor 1 - April 2020
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v11i1.2502

Abstract

Abstract: This study aims to analyze the comparison of Digilib websites at 3 universities. Digital Library is a media for storing book collections in digital form, as a means to facilitate visitors in accessing book collections. In improving services, universities X, Y, and Z have provided Digilib. Observation results indicate the number of Digilib visitors is still relatively small. Therefore quality evaluation on the Digilib website needs to be done. Quality evaluation on the Usability aspect is carried out using the existing assessment standards on the SUS questionnaire. Analysis and data processing of questionnaire results using SUS calculation. The results of the calculation of the average SUS score of 51 respondents from each university X, Y, and Z showed that, Digilib X had the highest SUS score of 58.2. The results of the score analysis indicate that the three websites have not met the usability aspect in terms of learnability. The SUS aspect analysis is used as a development reference to maximize the quality of Digilib services.Keywords: Quality Evaluation, Digital Library, Usability. Abstrak: Penelitian ini bertujuan menganalisis perbandingan website Digilib pada 3 universitas. Digital Library merupakan suatu media penyimpanan koleksi buku dalam bentuk digital, sebagai sarana untuk memudahkan pengunjung dalam mengakses koleksi buku. Dalam meningkatkan pelayanan, universitas X, Y, dan Z telah menyediakan Digilib. Hasil observasi menunjukkan jumlah pengunjung Digilib masih tergolong kecil. Oleh sebab itu evaluasi kualitas pada website Digilib perlu dilakukan. Evaluasi kualitas pada aspek Usability dilakukan menggunakan standar penilaian yang ada pada kuesioner SUS. Analisis dan pengolahan data hasil kuesioner menggunakan penghitungan SUS. Hasil perhitungan rata-rata skor SUS dari 51 responden masing-masing universitas X, Y, dan Z menunjukan bahwa, Digilib X memiliki skor SUS tertinggi yaitu 58,2. Hasil analisis skor menunjukkan bahwa ketiga website belum memenuhi aspek usability dari segi learnability. Analisis aspek SUS digunakan sebagai acuan pengembangan untuk memkasimalkan kualitas pelayanan Digilib.Kata Kunci: Evaluasi Kualitas, Digital Library, Usability.

Page 49 of 60 | Total Record : 594

 47   48   49   50   51 

Filter by Year

2010 2025


Reset
Filter By Issues
All Issue Vol. 16 No. 01 (2025): Jurnal Buana Informatika, Volume 16, Nomor 01, April 2025 Vol. 16 No. 2 (2025): Jurnal Buana Informatika, Volume 16, Nomor 02, Oktober 2025 Vol. 15 No. 01 (2024): Jurnal Buana Informatika, Volume 15, Nomor 01, April 2024 Vol. 15 No. 2 (2024): Jurnal Buana Informatika, Volume 15, Nomor 02, Oktober 2024 Vol. 14 No. 02 (2023): Jurnal Buana Informatika, Volume 14, Nomor 2, Oktober 2023 Vol. 14 No. 01 (2023): Jurnal Buana Informatika, Volume 14, Nomor 1, April 2023 Vol. 13 No. 02 (2022): Jurnal Buana Informatika, Volume 13, Nomor 2, Oktober 2022 Vol. 13 No. 1 (2022): Jurnal Buana Informatika, Volume 13, Nomor 1, April 2022 Vol 12, No 2 (2021): Jurnal Buana Informatika Volume 12 - Nomor 2 - Oktober 2021 Vol. 12 No. 2 (2021): Jurnal Buana Informatika Volume 12 - Nomor 2 - Oktober 2021 Vol. 12 No. 1 (2021): Jurnal Buana Informatika Volume 12 - Nomor 1 - April 2021 Vol 12, No 1 (2021): Jurnal Buana Informatika Volume 12 - Nomor 1 - April 2021 Vol. 11 No. 2: Vol 11, No 2 (2020): Jurnal Buana Informatika Volume 11 - Nomor 2 - Okober 2020 Vol 11, No 2: Vol 11, No 2 (2020): Jurnal Buana Informatika Volume 11 - Nomor 2 - Okober 2020 Vol. 11 No. 1 (2020): Jurnal Buana Informatika Volume 11 - Nomor 1 - April 2020 Vol 11, No 1 (2020): Jurnal Buana Informatika Volume 11 - Nomor 1 - April 2020 Vol 10, No 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019 Vol. 10 No. 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019 Vol 10, No 1 (2019): Jurnal Buana Informatika Volume 10 Nomor 1 April 2019 Vol. 10 No. 1 (2019): Jurnal Buana Informatika Volume 10 Nomor 1 April 2019 Vol 9, No 2 (2018): Jurnal Buana Informatika Volume 9 Nomor 2 Oktober 2018 Vol. 9 No. 2 (2018): Jurnal Buana Informatika Volume 9 Nomor 2 Oktober 2018 Vol. 9 No. 1 (2018): Jurnal Buana Informatika Volume 9 Nomor 1 April 2018 Vol 9, No 1 (2018): Jurnal Buana Informatika Volume 9 Nomor 1 April 2018 Vol 8, No 4 (2017): Jurnal Buana Informatika Volume 8 Nomor 4 Oktober 2017 Vol. 8 No. 4 (2017): Jurnal Buana Informatika Volume 8 Nomor 4 Oktober 2017 Vol 8, No 3 (2017): Jurnal Buana Informatika Volume 8 Nomor 3 Juli 2017 Vol. 8 No. 3 (2017): Jurnal Buana Informatika Volume 8 Nomor 3 Juli 2017 Vol. 8 No. 2 (2017): Jurnal Buana Informatika Volume 8 Nomor 2 April 2017 Vol 8, No 2 (2017): Jurnal Buana Informatika Volume 8 Nomor 2 April 2017 Vol. 8 No. 1 (2017): Jurnal Buana Informatika Volume 8 Nomor 1 Januari 2017 Vol 8, No 1 (2017): Jurnal Buana Informatika Volume 8 Nomor 1 Januari 2017 Vol 7, No 4 (2016): Jurnal Buana Informatika Volume 7 Nomor 4 Oktober 2016 Vol. 7 No. 4 (2016): Jurnal Buana Informatika Volume 7 Nomor 4 Oktober 2016 Vol 7, No 3 (2016): Jurnal Buana Informatika Volume 7 Nomor 3 Juli 2016 Vol. 7 No. 3 (2016): Jurnal Buana Informatika Volume 7 Nomor 3 Juli 2016 Vol 7, No 2 (2016): Jurnal Buana Informatika Volume 7 Nomor 2 April 2016 Vol. 7 No. 2 (2016): Jurnal Buana Informatika Volume 7 Nomor 2 April 2016 Vol 7, No 1 (2016): Jurnal Buana Informatika Volume 7 Nomor 1 Januari 2016 Vol. 7 No. 1 (2016): Jurnal Buana Informatika Volume 7 Nomor 1 Januari 2016 Vol 6, No 4 (2015): Jurnal Buana Informatika Volume 6 Nomor 4 Oktober 2015 Vol 6, No 4 (2015): Jurnal Buana Informatika Volume 6 Nomor 4 Oktober 2015 Vol. 6 No. 4 (2015): Jurnal Buana Informatika Volume 6 Nomor 4 Oktober 2015 Vol 6, No 3 (2015): Jurnal Buana Informatika Volume 6 Nomor 3 Juli 2015 Vol 6, No 3 (2015): Jurnal Buana Informatika Volume 6 Nomor 3 Juli 2015 Vol. 6 No. 3 (2015): Jurnal Buana Informatika Volume 6 Nomor 3 Juli 2015 Vol 6, No 2 (2015): Jurnal Buana Informatika Volume 6 Nomor 2 April 2015 Vol. 6 No. 2 (2015): Jurnal Buana Informatika Volume 6 Nomor 2 April 2015 Vol 6, No 2 (2015): Jurnal Buana Informatika Volume 6 Nomor 2 April 2015 Vol. 6 No. 1 (2015): Jurnal Buana Informatika Volume 6 Nomor 1 Januari 2015 Vol 6, No 1 (2015): Jurnal Buana Informatika Volume 6 Nomor 1 Januari 2015 Vol 6, No 1 (2015): Jurnal Buana Informatika Volume 6 Nomor 1 Januari 2015 Vol. 5 No. 2 (2014): Jurnal Buana Informatika Volume 5 Nomor 2 Juli 2014 Vol 5, No 2 (2014): Jurnal Buana Informatika Volume 5 Nomor 2 Juli 2014 Vol 5, No 1 (2014): Jurnal Buana Informatika Volume 5 Nomor 1 Januari 2014 Vol. 5 No. 1 (2014): Jurnal Buana Informatika Volume 5 Nomor 1 Januari 2014 Vol 5, No 1 (2014): Jurnal Buana Informatika Volume 5 Nomor 1 Januari 2014 Vol. 4 No. 2 (2013): Jurnal Buana Informatika Volume 4 Nomor 2 Juli 2013 Vol 4, No 2 (2013): Jurnal Buana Informatika Volume 4 Nomor 2 Juli 2013 Vol 4, No 2 (2013): Jurnal Buana Informatika Volume 4 Nomor 2 Juli 2013 Vol 4, No 1 (2013): Jurnal Buana Informatika Volume 4 Nomor 1 Januari 2013 Vol. 4 No. 1 (2013): Jurnal Buana Informatika Volume 4 Nomor 1 Januari 2013 Vol 4, No 1 (2013): Jurnal Buana Informatika Volume 4 Nomor 1 Januari 2013 Vol 3, No 2 (2012): Jurnal Buana Informatika Volume 3 Nomor 2 Juli 2012 Vol 3, No 2 (2012): Jurnal Buana Informatika Volume 3 Nomor 2 Juli 2012 Vol. 3 No. 2 (2012): Jurnal Buana Informatika Volume 3 Nomor 2 Juli 2012 Vol 3, No 1 (2012): Jurnal Buana Informatika Volume 3 Nomor 1 Januari 2012 Vol. 3 No. 1 (2012): Jurnal Buana Informatika Volume 3 Nomor 1 Januari 2012 Vol 3, No 1 (2012): Jurnal Buana Informatika Volume 3 Nomor 1 Januari 2012 Vol 2, No 2 (2011): Jurnal Buana Informatika Volume 2 Nomor 2 Juli 2011 Vol 2, No 2 (2011): Jurnal Buana Informatika Volume 2 Nomor 2 Juli 2011 Vol. 2 No. 2 (2011): Jurnal Buana Informatika Volume 2 Nomor 2 Juli 2011 Vol. 2 No. 1 (2011): Jurnal Buana Informatika Volume 2 Nomor 1 Januari 2011 Vol 2, No 1 (2011): Jurnal Buana Informatika Volume 2 Nomor 1 Januari 2011 Vol 2, No 1 (2011): Jurnal Buana Informatika Volume 2 Nomor 1 Januari 2011 Vol 1, No 2 (2010): Jurnal Buana Informatika Volume 1 Nomor 2 Juli 2010 Vol 1, No 2 (2010): Jurnal Buana Informatika Volume 1 Nomor 2 Juli 2010 Vol. 1 No. 2 (2010): Jurnal Buana Informatika Volume 1 Nomor 2 Juli 2010 Jurnal Buana Informatika Volume 1 Nomor 1 Januari 2010 Jurnal Buana Informatika Volume 1 Nomor 1 Januari 2010 More Issue