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
 51   52   53   54   55 
Blackbox Testing on Virtual Reality Gamelan Saron Using Equivalence Partition Method Richard Gunawan; Yohanes Priadi Wibisono; Clara Hetty Primasari; Djoko Budiyanto; Mutiara Cininta
Jurnal Buana Informatika Vol. 14 No. 01 (2023): Jurnal Buana Informatika, Volume 14, Nomor 1, April 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i01.6606

Abstract

Pengujian Blackbox Pada Virtual Reality Gamelan Saron Menggunakan Metode Equivalence Partition. Dalam pengembangan sebuah aplikasi, testing pada aplikasi sangat penting sebelum aplikasi dirilis. Testing berdasarkan kualitas dengan menggunakan Black Box mengutamakan pengujian fitur-fitur yang terdapat pada aplikasi, sehingga dapat menemukan permasalahan yang terjadi di aplikasi Gamelan VR Saron ini. Pada metode Black Box berbasis Equivalence Partition secara menyeluruh menguji dalam aspek penggunaan aplikasi Gamelan VR Saron. Dalam pengujian ini membutuhkan seleksi penggunaan berdasarkan test case, kemudian memastikan kualitas dari fitur-fitur yang tersedia serta menemukan error function yang bisa terjadi dalam aplikasi. Sehingga ujicoba pada aplikasi ini bisa menilai apakah telah sesuai dengan harapan dan direncanakan. Berdasarkan hasil pengujian yang telah dilakukan, dapat disimpulkan bahwa aplikasi ini dapat berjalan dengan baik tanpa adanya error sesuai dengan yang telah direncanakan. Hasil pengujian ini dapat dijadikan sebagai dokumentasi serta evaluasi untuk pengembangan aplikasi kedepannya.Kata Kunci: black box, equivalence partition, test case, error function, user Blackbox Testing on Virtual Reality Gamelan Saron Using the Equivalence Partition Method. Testing is essential in application development because it helps identify and eliminate defects. One of the most used testing methods is Black Box testing, which involves deeply examining the application’s functionality without knowing its internal workings. The Equivalence Partition method is frequently used in Black Box testing to divide input values into groups and select test cases from each group. Potential errors can be identified by testing the available features with appropriate test cases, and future improvements can be made to ensure seamless application performance. In addition, testing results also serve as documentation and research for future development. By using this method, the developers of the VR Gamelan Saron application can ensure that its quality meets user expectations to improve its quality to provide an optimal user experience. In summary, proper testing is crucial in application development, and the Equivalence Partition method is an effective tool foridentifying and eliminating potential issues.Keywords: black box, equivalence partition, test case, error function, user
Comparative Analysis of Sound Response from Simple and Fuzzy Algorithm in Saron Virtual Reality Ayub Her Pracoyo; Clara Hetty Primasari; Albertus Joko Santoso; Thomas Adi Purnomo Sidhi; Yohanes Priadi Wibisono; Djoko Budiyanto Setyohadi
Jurnal Buana Informatika Vol. 14 No. 01 (2023): Jurnal Buana Informatika, Volume 14, Nomor 1, April 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i01.6612

Abstract

Analisis Komparatif Respon Suara dari Algoritma Sederhana dan Algoritma Fuzzy di Saron Virtual Reality. Game virtual reality dengan konsep alat musik memerlukan respon suara yang dinamis karena musik tidak lepas dari perasaan manusia dalam memainkannya. Suara yang bagus dalam sebuah game tergantung pada kesesuaiannya dengan situasi game. Keterbatasan waktu dan tempat menjadi permasalahan dalam melakukan variasi perekaman sampel suara. Jika sampel suara yang diambil terbatas dan diterapkan dengan algoritma sederhana kemungkinan terdengar repetitif dan kurang sesuai dengan dinamika suara musik sesuai kehidupan nyata manusia. Oleh karena itu, pada penelitian ini dilakukan komparasi implementasi antara algoritma sederhana dengan algoritma fuzzy pada suara game Gamelan Saron. Metode pengolahan data yang digunakan adalah analisis komparatif dan data diperoleh dari hasil eksperimen responden. Pada skala persetujuan satu sampai lima, mayoritas responden setuju adanya perubahan signifikan yang lebih baik setelah diberikan algoritma fuzzy yang digambarkan dengan nilai rata-rata 4,1.Kata Kunci: suara, gamelan, Saron, dinamika, fuzzy Comparative Analysis of Sound Response from Simple and Fuzzy Algorithm in Saron Virtual Reality. Virtual reality games with musical instruments require a dynamic sound response because playing the instrument requires real human feelings. A good sound in a game depends on its suitability for the game situation. Time and place limitations are a problem in recording variations in sound sample recording. If the sound samples taken are limited and a simple algorithm is applied, it may sound repetitive and not match the dynamics of music according to real human life. Therefore, in this study, a comparison of a simple algorithm with the fuzzy algorithm was carried out in the Gamelan Saron game. The data processing method used is a comparative analysis obtained from the experimental results of the respondents. On the agreement scale of one to five, most respondents agree that there is a better significant change after being given a fuzzy algorithm described by a mean value of 4.1. Keywords: sound, gamelan, Saron, dynamics, fuzzy
Analisis Sentimen Ulasan Aplikasi Jamsostek Mobile Menggunakan Metode Support Vector Machine Vina Fitriyana; Lutfi Hakim; Dian Candra Rini Novitasari; Ahmad Hanif Asyhar
Jurnal Buana Informatika Vol. 14 No. 01 (2023): Jurnal Buana Informatika, Volume 14, Nomor 1, April 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i01.6909

Abstract

Sentiment Analysis of Jamsostek Mobile Application Reviews Using the Support Vector Machine Method. Today's technology is evolving quickly, leading to new developments that have helped produce JMO and other mobile applications that can be useful to Indonesians. The reviews or comments in the JMO can be used as a gauge for quality and user satisfaction. This study aims to analyze the quality of JMO applications and classify reviews or opinions into positive, negative, and neutral categories through sentiment analysis. The Support Vector Machine method is used in this analysis process with a linear kernel approach to determine the level of accuracy of classifying JMO application reviews. Research shows that classifying the SVM method against sentiment analysis of reviews or JMO application reviews produces the best accuracy scores, obtaining results with accuracy of 96%, precision of 92%, recall of 96%, and f1-score of 94%, while for the results of most reviews are positive category reviews with a total of 17.571.Keywords: sentiment analysis, JMO, SVM, linear kernel   Perkembangan pesat teknologi saat ini memunculkan inovasi baru untuk menciptakan berbagai aplikasi mobile yang dapat memberi kemudahan bagi masyarakat Indonesia, salah satunya yaitu JMO. Penelitian ini bertujuan untuk menganalisis kualitas aplikasi JMO dan mengklasifikasikan ulasan atau opini kedalam kategori positif, negatif dan netral melalui analisis sentimen. Metode Support Vector Machine digunakan pada proses analisis ini dengan pendekatan kernel linear untuk mengetahui tingkat akurasi dari pengklasifikasian ulasan aplikasi JMO tersebut. Penelitian menunjukkan bahwa pengklasifikasian metode SVM terhadap analisis sentimen ulasan atau review aplikasi JMO menghasilkan nilai akurasi terbaik, didapatkan hasil dengan accuracy 96%, precision 92%, recall 96%, dan f1-score 94%, sedangkan untuk hasil ulasan terbanyak adalah ulasan berkategori positif dengan jumlah 17.571.Kata Kunci: analisis sentimen, JMO, SVM, kernel linear
Penerapan Algoritma Pathfinding A* dalam Game Dual Legacy berbasis Android Felix Octavian; Latius Hermawan
Jurnal Buana Informatika Vol. 14 No. 01 (2023): Jurnal Buana Informatika, Volume 14, Nomor 1, April 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i01.6928

Abstract

A* Pathfinding Algorithm Implementation in Dual Legacy Game based on Android. Games have 2 characters, the player, and the NPC (Non-Playable Character) which cannot be controlled by the player,so the NPC movements are easy to predict. A Star (A*) algorithm is a pathfinding algorithm or finding a way to a destination, in this case searching for the closest path to the player and avoiding obstacles. The enemy NPC is tasked with chasing the player, and the enemy NPC must reduce the player's health. A* algorithm calculatesthe distance of one of the paths and then calculatesthe distance of the other paths. The algorithm will choose the shortest path when all paths have been completed. Research focuses on the NPC's task of finding the shortest route. The A* in the “Dual Legacy” 2D Side-Scrolling RPG game based on Android is expected with this algorithm NPC can search for and chase players/players via the nearest path. The conclusion is that the A Star Algorithm has been successfully implemented, the NPC approaches the player through the shortest distance by avoiding obstacles.Keywords: A Star (A*) algorithm, NPC, game, Android, 2D side-scrolling RPG Penerapan Algoritma Pathfinding A* dalam Game Dual Legacy berbasis Android. Game biasanya terdapat 2 karakter yaitu player dan NPC (Non-Playable Character) yang tidak bisa dikendalikan oleh player sehingga pergerakan karakter NPC mudah ditebak. Algoritma A Star (A*) merupakan algoritma pathfinding atau mencari jalan ke tujuan, dalam kasus ini mencari jalan terdekat ke player dan menghindari rintangan yang ada. NPC musuh ini bertugas untuk mengejar player dan NPC musuhharus mengurangi darah player. Algoritma A* menghitung jarak satu jalur, menyimpannya, lalu menghitung jarak jalur lainnya. Setelah semua jalur dihitung, algoritma A* memilih jalur terpendek . Penelitian berfokus pada tugas NPC untuk pencarian rute terdekat. Menerapkan algoritma pathfinding A* pada NPC game Dual Legacy 2D Side-Scrolling RPG berbasis Android diharapkan dengan algoritma tersebut NPC dapat mencari dan mengejar pemain / player melalui jalan terdekat. Kesimpulan perancangan ini adalah algoritma A Star berhasil diimplementasikan, NPC mendekati player melalui jarak terdekat dengan menghindari halangan yang ada.Kata Kunci: algoritma A Star (A*), NPC, game, Android, 2D side-scrolling RPG
Implementasi Perbaikan Kualitas Citra Tanaman terhadap Perbedaan Kamera untuk Prediksi Pigmen Fotosintesis berbasis Machine Learning Felix Adrian Tjokro Atmodjo; Kestrilia Rega Prilianti; Hendry Setiawan
Jurnal Buana Informatika Vol. 14 No. 01 (2023): Jurnal Buana Informatika, Volume 14, Nomor 1, April 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i01.6997

Abstract

Implementation of Plant Image Quality Improvement based on Machine Learning on Camera Variation to Predict Photosynthetic Pigments. Pigments are natural dyes found in plants and animals. In photosynthesis, there are 3 essential pigments: chlorophyll, cartenoid, and anthocyanin. Pigment analysis can be performed with High Performance Liquid Chromatography (HPLC) and a spectrophotometer. However, HPLC and spectrophotometers require high resources and time. Thus, the Fuzzy Piction Android application built using the FP3Net model is the best choice in pigment prediction since it is low on cost and accessible. However, the Fuzzy Piction produces different performance, which is affected by light conditions and camera specifications. The experiment used ten sample images for Jasminum sp., P. betle, Syzygium oleina of green and red variations, and Graptophyllum pictum leaves with three smartphone cameras and three lighting levels. Improvements using 3D-TPS produced the best SSIM values in the range of 0.9191 – 0.9797 for images Syzygium oleina of green and red variations leaves, and the predicted MAE value of pigment was 0.0296 – 0.0492.Keywords: 3D-TPS, plant leaves, pigment, image quality improvement Implementasi Perbaikan Kualitas Citra Tanaman terhadap Perbedaan Kamera untuk Prediksi Pigmen Fotosintesis berbasis Machine Learning. Pigmen merupakan pewarna alami yang ditemukan pada tumbuhan dan hewan. Dalam proses fotosintesis terdapat tiga pigmen yang penting, yaitu klorofil, kartenoid, dan antosianin. Analisis pigmen dapat dilakukan dengan Kromatorafi Cair Kinerja Tinggi (KCKT) dan spektrofotometer. Namun, KCKT dan spektrofotometer membutuhkan sumber daya dan waktu yang tinggi. Sehingga, aplikasi Android Fuzzy Piction yang dibangun menggunakan model FP3Net mejadi pilihan dalam prediksi pigmen dengan biaya murah dan mudah. Akan tetapi, aplikasi Android Fuzzy Piction menghasilkan kinerja yang berbeda-beda yang dipengaruhi oleh kondisi cahaya dan spesifikasi kamera. Dilakukan percobaan dengan mengambil sepuluh sampel citra daun dari empat varietas tanaman yaitu, pucuk merah, daun ungu, melati, dan sirih. Citra diambil dengan tiga kamera smartphone dan tiga tingkat pencahayaan yang berbeda. Perbaikan yang dilakukan menggunakan algoritma 3D-TPS menghasilkan nilai SSIM terbaik pada rentang 0.9191 – 0.9797 untuk citra daun pucuk merahdan nilai MAE prediksi pigmen sebesar 0.0296 –0.0492.Kata Kunci: 3D – TPS, daun tanaman, pigmen, perbaikan kualitas citra
Klasterisasi Puskesmas dengan K-Means Berdasarkan Data Kualitas Kesehatan Keluarga dan Gizi Masyarakat Bakhtiyar Hadi Prakoso; Ervina Rachmawati; Demiawan Rachmatta Putro Mudiono; Veronika Vestine; Gandu Eko Julianto Suyoso
Jurnal Buana Informatika Vol. 14 No. 01 (2023): Jurnal Buana Informatika, Volume 14, Nomor 1, April 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i01.7105

Abstract

One of the fundamental principles followed by the Jember Health Office for decision-making is data. Data plays a crucial role in the decision-making process. Raw data is more difficult to interpret and needs to be analyzed. Clustering is one of the techniques used for analysis. This study discusses using K-Means to cluster Public Health Center data based on AKI, AKB, and stunting prevalence. The data is processed by reducing dimensions and normalizing them. The clustering process is performed using the K-Means method, where the maximum k-value is obtained by calculating WCSS. The clustering process results in three clusters of Public Health Centers in the Jember Regency. These clusters can serve as a reference for the Jember Health Office to formulate family health and community nutrition quality policies.Keywords: data mining, K-Means, clustering, Maternal Mortality Rate, Infant Mortality Rate, the prevalence of stunting Salah satu dasar pengambilan kebijakan oleh Dinas Kesehatan Jember adalah data. Data memiliki peran dalam proses pengambilan keputusan. Data mentah yang didapatkan lebih sulit untuk diinterpretasikan sehingga diperlukan analisis terhadap data tesebut. Salah satu analisis yang dapat digunakan adalah teknik klasterisasi. Padapenelitian ini akan dibahas penggunaan K-Means untuk klasterisasi data puskesmas berdasarkan AKI, AKB, dan prevalensi stunting. Data diproses dengan melakukan reduksi dimensi dan normalisasi. Proses klasterisasi dilakukan dengan metode K-Means dimana nilai k maksimal diperoleh dengan menghitung WCSS. Adapun hasil proses klasterisasi didapatkan tiga kelompok klaster puskesmas yang terdapat di Kabupaten Jember. Hasil klasterisasi dapat digunakan sebagai referensi Dinas Kesehatan Jember dalam mengambil kebijakan terkait kualitas kesehatan keluarga dan gizi masyarakatKata Kunci: data mining, K-Means, klasterisasi, Angka Kematian Ibu, Angka Kematian Bayi, prevalensi stunting
Implementasi Algoritma K-Nearest Neighbour dalam Menganalisis Sentimen Terhadap Program Merdeka Belajar Kampus Merdeka (MBKM) Dewi Sartika
Jurnal Buana Informatika Vol. 14 No. 01 (2023): Jurnal Buana Informatika, Volume 14, Nomor 1, April 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i01.7178

Abstract

K-Nearest Neighbor Algorithm Implementation in sentiment analysis towards Merdeka Belajar Kampus Merdeka (MBKM) Program. Merdeka Belajar Kampus Merdeka (MBKM) is a program that supports students to improve their skills by having direct experience in the work environment to prepare for competition and a future career. MBKM program has been implemented by Indonesia's Ministry of Education, Culture, Research, and Technology (Kemendikbudristek) since  2020. Every policy needs to be evaluated; a simple evaluation can be done through sentiment analysis to determine public responses to the MBKM program. The results are used as suggestions for program improvement. Sentiment analysis is done by applying the Natural Language Processing (NLP) algorithm to process crawled data from Twitter, then classified using the K-NN Algorithm. Based on the results, the sentiment is neutral. This illustrates that people are only partially interested in the MBKM program policy. The accuracy of the classification model using the K-NN algorithm is 95%, and an F1-score value of 0.96 for the classification model with a ratio of 80% training data and 20% test data.Keywords: MBKM, NLP, K-NN, F1-Score   Program Merdeka Belajar Kampus Merdeka (MBKM) merupakan suatu kebijakan dalam mendukung pemberian kebebasan terhadap mahasiswa untuk mengasah kemampuan dengan merasakan langsung pengalaman di dunia kerja sebagai bekal untuk menghadapi persaingan dan persiapan berkarir di masa mendatang. Program MBKM mulai diberlakukan oleh Kementerian Pendidikan Kebudayaan Riset dan Teknologi (Kemendikbudristek) Republik Indonesia sejak tahun 2020. Setiap kebijakan tentunya perlu dievaluasi, evalusi sederhana dapat dilakukan melalui analisis sentimen untuk mengetahui tanggapan masyarakat mengenai program MBKM. Hasilnya digunakan sebagai saran perbaikan untuk pengembangan program. Analisis sentimen dilakukan dengan menerapkan algoritma Natural Language Processing (NLP) untuk memproses data hasil crawling dari Twitter, selanjutnya diklasifikasikan menggunakan algoritma K-NN. Berdasarkan hasil analisis diperoleh bahwa sentimen masyarakat bersifat netral. Hal ini menggambarkan bahwa masyarakat tidak sepenuhnya tertarik terhadap kebijakan program MBKM, sedangkan untuk tingkat akurasi model klasifikasi menggunakan algoritma K-NN sebesar 95% dan nilai F1-score sebesar 0,96 untuk model klasifikasi dengan perbandingan 80% data latih dan 20% data uji.Kata Kunci: MBKM, NLP, K-NN, F1-Score
Analisis Usability Web SIATMA dengan Metode Heuristic Evaluation dan System Usability Scale Findra Kartika Sari Dewi; Thomas Adi Purnomo Sidhi; Yonathan Christofer Darmawan
Jurnal Buana Informatika Vol. 14 No. 02 (2023): Jurnal Buana Informatika, Volume 14, Nomor 2, Oktober 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i02.5027

Abstract

User interface dan user experience berperan penting dalam pengembangan aplikasi, yang menjadi tolok ukur keberhasilan memenuhi kebutuhan pengguna. Perlu dilakukan pengukuran usability, pencarian permasalahan dan rekomendasi perbaikan antarmuka web SIATMA, menggunakan metode Heuristic Evaluation (HE), dan System Usability Scale (SUS). Pengambilan data HE menggunakan daftar cek evaluasi yang diisi oleh evaluator dan SUS menggunakan kuesioner yang diisi oleh mahasiswa Universitas Atma Jaya Yogyakarta. Menggunakan HE ditemukan 25 permasalahan usability dengan jumlah terbanyak pada Visibility of System Status dan Aesthetic and Minimalist Design. Permasalahan tersebut terdiri dari 10 masalah cosmetic, lima masalah minor dengan, delapan masalah major, dan dua masalah catastrophe. Diberikan 25 solusi perbaikan yang direkomendasikan oleh evaluator, sedangkan menggunakan SUS dihasilkan skor SUS sebesar 54,4. Kedua hasil tersebut menunjukkan bahwa SIATMA belum memuaskan dari segi usability dan perlu dilakukan perbaikan, seperti memberikan detail minor seperti icon, peringatan sampai dengan perbaikan layout dan menambahkan halaman baru.
Identification of Batik in Central Java using Transfer Learning Method Adithama, Stephanie Pamela; Dwiandiyanta, B. Yudi; Wiadji , Sevia Berliana
Jurnal Buana Informatika Vol. 14 No. 02 (2023): Jurnal Buana Informatika, Volume 14, Nomor 2, Oktober 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i02.6977

Abstract

Batik was recognized as a human heritage for oral and nonmaterial culture by UNESCO due to its symbolic and philosophical ties to the lives of Indonesians. However, the younger generation is gradually losing its legacy because of technological and sociological changes that have influenced Indonesian batik. Consequently, batik knowledge is disappearing. A convolutional neural network and transfer learning techniques were utilized in deep learning to construct a model recognising batik motifs. The study utilized a dataset of one thousand images, five classes of batik designs (Banji, Kawung, Slope, Parang, and Slobog), and pre-trained architectural models VGG16 and VGG19 on Keras. The best model utilizes the VGG16 architecture, and the number of epochs is 50, with the result of testing accuracy of 0.9200.
Analisis Sentimen AicoGPT (Generative Pre-trained Transformer) Menggunakan TF-IDF Sri Rahayu; Jajang Jaya Purnama; Abdul Hamid; Nina Kurnia Hikmawati
Jurnal Buana Informatika Vol. 14 No. 02 (2023): Jurnal Buana Informatika, Volume 14, Nomor 2, Oktober 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i02.7039

Abstract

Peran artificial intelligence memudahkan mencari informasi yang tepat dan akurat bahkan penyelesaian masalah dengan model yang kompleks. Salah satu terobosan berbasis AI adalah ChatGPT oleh OpenAI pada tahun 2020, dilanjutkan dengan versi terbaru pada tahun 2023 yaitu GPT–3. Sejak saat itu, beberapa teknologi AI serupa versi mobile mulai bermunculan, salah satunya AicoGPT. Namun, kinerja dari aplikasi serupa ini belum dapat diandalkan sehingga masih perlu menganalisis tanggapan para penggunanya, apakah akan sama menakjubkannya atau tidak. Dari permasalahan tersebut, penelitian ini dibuat dengan tujuan untuk menganalisis 1443 data ulasan para pengguna aplikasi AicoGPT di Google Playstore dengan teknik analisis sentimen menggunakan TFIDF dan perbandingan klasifikasi LR dan SVM. Dari kedua ujicoba tersebut, menghasilkan akurasi terbaik dengan Algoritma SVM, yaitu sebesar 92%. Sedangkan LR menghasilkan akurasi sebesar 89%. Dari penelitian ini, dapat disimpulkan secara singkat bahwa metode TF-IDF dengan klasifikasi SVM, cocok digunakan untuk melakukan analisis sentimen dari dataset yang diteliti.

Page 53 of 60 | Total Record : 594

 51   52   53   54   55 

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