cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Jati Sasongko Wibowo
Contact Email
jatisw@edu.unisbank.ac.id
Phone
+6281325297663
Journal Mail Official
dinamik@edu.unisbank.ac.id
Editorial Address
Jl. Tri Lomba Juang No. 1 Semarang
Location
Kota semarang,
Jawa tengah
INDONESIA
Dinamik
Published by Universitas Stikubank
ISSN : 08549524     EISSN : 26231786     DOI : 10.35315/dinamik.v28i1
Core Subject : Science,
Computer Science & IT
The Jurnal DINAMIK aims to: Promote a comprehensive approach to informatics engineering and management incorporating viewpoints of different applications (computer graphics, computer networks and security, computer vision, computational intelligence, databases, big data, IT project management, and other fields relevant to information technology. Encourage scientists, practicing engineers, and others to conduct research and similar activities.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 505 Documents
 47   48   49   50   51 
Penerjemahan Diagnosis Medis Inggris – Indonesia menggunakan Transfer-Based Rule-Based Machine Translation Purwadi Purwadi; Muhammad Bagus Bintang Timur; Indra Indra
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10546

Abstract

Akurasi terjemahan diagnosis medis sangat penting untuk keselamatan pasien karena kesalahan interpretasi terminologi klinis dapat berdampak langsung pada pengambilan keputusan medis. Penelitian ini bertujuan mengembangkan sistem penerjemahan diagnosis medis dari bahasa Inggris ke bahasa Indonesia menggunakan metode Transfer-Based Rule-Based Machine Translation (RBMT) yang dirancang untuk domain medis terbatas. Pendekatan yang digunakan berbasis rekayasa bahasa alami dengan penerapan aturan linguistik pada proses analisis, transfer struktur, dan pemetaan leksikal istilah medis. Pengujian dilakukan menggunakan 500 data diagnosis medis berstandar ICD-10 dengan evaluasi kuantitatif dan validasi pakar medis. Hasil penelitian menunjukkan bahwa sistem mampu menghasilkan terjemahan yang konsisten secara struktural dan mempertahankan makna klinis, sehingga pendekatan RBMT dinilai layak dan aman untuk penerjemahan diagnosis medis pada domain sempit. Pendekatan ini juga menunjukkan potensi untuk dikembangkan sebagai dasar sistem pendukung penerjemahan medis berbasis aturan pada domain klinis lainnya.
Pemodelan Penyebaran Misinformasi pada Komunitas Teknologi Daring berbasis NLP dan Analisis Jaringan Purwadi Purwadi; Muhammad Bagus Bintang Timur; Indra Indra
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10547

Abstract

Komunitas teknologi daring seperti Reddit dan Stack Overflow berperan penting dalam pertukaran pengetahuan teknis, namun juga rentan terhadap penyebaran misinformasi. Penelitian ini bertujuan untuk memodelkan dan menganalisis penyebaran misinformasi dalam komunitas teknologi daring menggunakan pendekatan netnografi komputasional yang mengombinasikan Natural Language Processing (NLP) dan analisis jaringan. Data penelitian dikumpulkan dari 6.875 diskusi pengguna pada berbagai forum teknologi dan dianalisis untuk mendeteksi konten misinformasi, mengidentifikasi aktor yang berpengaruh, serta memetakan pola penyebaran informasi dalam jaringan komunitas. Hasil penelitian menunjukkan bahwa sekitar 38% diskusi mengandung informasi teknis yang usang atau menyesatkan, yang umumnya bersumber dari interpretasi keliru atau ketidaksesuaian konteks teknis, bukan dari niat penyebaran informasi palsu secara sengaja. Model NLP yang digunakan mencapai nilai F1-score sebesar 0,84 dalam klasifikasi misinformasi. Analisis jaringan menunjukkan bahwa pengguna dengan tingkat reputasi dan keterhubungan tinggi memiliki peran penting dalam mempercepat penyebaran informasi sekaligus dalam proses koreksi misinformasi. Selain itu, diskusi dengan muatan emosional yang tinggi cenderung mempercepat difusi misinformasi, sementara koreksi lebih sering terjadi dalam kelompok pengguna ahli dengan struktur jaringan yang relatif tertutup. Penelitian ini berkontribusi pada pengembangan kajian netnografi digital berbasis komputasi serta menawarkan implikasi praktis bagi perancangan sistem deteksi misinformasi dan strategi moderasi komunitas pada platform teknologi daring.
Pendekatan Otomatis dalam Pembentukan Signature Metadata Malware untuk Deteksi Ancaman Siber Purwadi Purwadi; Muhammad Bagus Bintang Timur; Indra Indra
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10548

Abstract

Dalam era digital yang semakin terhubung, ancaman siber terus berkembang seiring meningkatnya jumlah dan kompleksitas varian malware, termasuk malware dengan karakteristik polymorphic dan metamorphic yang mampu menghindari sistem deteksi konvensional. Pendekatan deteksi malware berbasis tanda tangan masih banyak digunakan karena efisiensinya, namun sangat bergantung pada pembaruan tanda tangan yang umumnya dilakukan secara manual dan memerlukan waktu serta keahlian tinggi. Penelitian ini mengusulkan pendekatan otomatis dalam pembentukan signature metadata malware berbasis analisis statis dan pembelajaran mesin. Dataset yang digunakan terdiri dari 5.000 file Portable Executable (PE) yang seimbang antara malware dan benign. Ekstraksi metadata dilakukan terhadap struktur PE, entropi, dan informasi API, yang selanjutnya diklasifikasikan menggunakan algoritma Random Forest dan Gradient Boosting. Hasil eksperimen menunjukkan bahwa model Random Forest mencapai akurasi sebesar 96,2% dengan F1-score 0,96, sedangkan Gradient Boosting mencapai akurasi 95,4%. Selain itu, sistem mampu menghasilkan signature metadata secara otomatis dengan waktu pemrosesan kurang dari 2 detik per sampel, serta menunjukkan konsistensi tinggi dalam mendeteksi malware dari keluarga yang sama menggunakan aturan YARA. Hasil ini menunjukkan bahwa pendekatan yang diusulkan mampu meningkatkan efisiensi dan adaptivitas sistem deteksi malware, serta berpotensi mendukung respons cepat terhadap evolusi ancaman siber modern.
Deteksi Anemia Dengan Conjungtiva Mata Menggunakan Algoritma Convolutional Neural Network Ali Akbar Dalimunthe; Summa Aditya; Arisman Gulo; Albert Oldo Faoso Laia; Abdi Dharma
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10563

Abstract

Anemia is a global health problem that often goes undetected early because conventional diagnostic methods are invasive, require specialized laboratory equipment, and are relatively expensive. Clinically, pallor in the palpebral conjunctiva of the eye is a primary physical indicator of hemoglobin deficiency. This study aims to develop a Deep Learning-based, non-invasive anemia detection system using a Convolutional Neural Network (CNN) algorithm with the EfficientNet-B0 architecture. This model was selected due to its high computational efficiency and minimal number of parameters (5.3 million), making it suitable for implementation in resource-constrained environments. The dataset used consists of 670 images of the palpebral conjunctiva obtained from the Mendeley Data repository. To overcome the limitations of the dataset size, a Two-Stage Training strategy (Frozen Warm-Up and Unfrozen Fine-Tuning phases) along with dynamic data augmentation techniques were applied. Evaluation results on independent test data demonstrated that the model achieved an Accuracy of 82%, with a Precision of 85%, a Sensitivity (Recall) of 80%, and an F1-Score of 82%. The high sensitivity value indicates the model's reliable capability in identifying positive cases of anemia. Error analysis revealed that prediction failures were predominantly caused by low lighting factors (underexposure). In conclusion, the proposed method is proven to be effective and holds the potential to be used as a fast, accurate, and non-invasive early screening tool for anemia.
Klasifikasi Tingkat Emisi Karbon Individu menggunakan Support Vector Machine (SVM) berdasarkan Data Perilaku Gaya Hidup Andreas Halawa; Hamdani Hutauruk; Agung Prabowo
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10571

Abstract

The increase in carbon emissions due to individual activities and lifestyles has become one of the main contributors to global climate change. The emerging issue is how to accurately classify individual carbon impact levels based on lifestyle behavior data. This study aims to apply the Support Vector Machine (SVM) method in classifying carbon emission levels into three categories, namely High, Medium, and Low. The dataset used consists of 1,400 data points with 10 initial features, which include numerical and categorical variables. The preprocessing stage is carried out through standardization using StandardScaler and categorical transformation with OneHotEncoder within a Pipeline framework to prevent data leakage. The SVM model with a Radial Basis Function (RBF) kernel was optimized using GridSearchCV and produced the best parameters C =75 and γ = 0.0588. With an 80:20 data split, the model achieved an accuracy of 94%, and precision, recall, and F1-score values ranged from 90% to 95%. An AUC value of 98%–100% indicates a very good discriminatory ability. The study results conclude that the SVM method is effective and reliable for classifying carbon emission levels based on lifestyle behavior.
Sistem Pendukung Keputusan Penentuan Marketing Di PT KASA Kabupaten Lampung Tengah Menggunakan Metode Weighted Product Adi Kurniawan Ananta; Aditia Yudhistira
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10584

Abstract

Penelitian ini bertujuan untuk menerapkan Metode Weighted Product (WP) dalam Sistem Pendukung Keputusan (SPK) untuk menentukan calon karyawan marketing di PT Karunia Alam Sentosa Abadi. Metode WP dipilih karena dapat menangani kriteria yang berbeda-beda dan memberikan bobot pada setiap kriteria sesuai dengan tingkat kepentingannya. Kriteria yang digunakan dalam penelitian ini antara lain komunikasi, kemampuan negosiasi, kemampuan analisis, kreativitas, dan pengalaman kerja. Penelitian ini menggunakan Microsoft Excel sebagai alat bantu untuk mengimplementasikan metode WP dan melakukan perhitungan bobot serta penilaian alternatif. Hasil penelitian menunjukkan bahwa metode WP efektif dalam meningkatkan kualitas seleksi dan membantu perusahaan membangun tim yang kuat dan kompetitif. Dengan demikian, PT Karunia Alam Sentosa Abadi dapat membuat keputusan yang lebih tepat dalam memilih calon karyawan marketing yang berpotensi menjadi aset berharga bagi perusahaan. Hasil penelitian juga menunjukkan bahwa alternatif 12, yaitu Supian, menjadi peringkat pertama dengan nilai tertinggi 0,07258. Penelitian ini diharapkan dapat memberikan kontribusi bagi perusahaan dalam meningkatkan kualitas seleksi calon karyawan marketing dan mencapai tujuan bisnisnya.
Klasifikasi Tipe Anemia berdasarkan Parameter CBC menggunakan Metode SVM Gilang Febrianto; Erliyan Redy Susanto
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10586

Abstract

The precision medicine paradigm is shifting conventional diagnosis toward AI-based systems. However, the literature on Support Vector Machines (SVM) with systematic hyperparameter optimization for the multi-class classification of anemia (Iron Deficiency/ID, Iron Deficiency Anemia/IDA, Normal) remains limited. This study develops an optimized SVM model for identifying three categories of anemia using a Kaggle dataset (1,000 samples, 6 features: Hemoglobin, RDW, MCV, Age, Gender, Anemia Type). The methods include data preprocessing, an 80:20 stratified split, and hyperparameter optimization via 5-fold cross-validation (CV) grid search with exploration of kernels (linear, RBF, poly) and the C parameter (0.1, 1, 10, 100). Results show that an SVM with a linear kernel and C=100 achieves 100% accuracy on the test data, with perfect precision, recall, F1-score, and ROC AUC (1.000) for all classes, as well as a cross-validation mean accuracy of 99% (±1%). Feature analysis identifies Hemoglobin as the dominant predictor, followed by RDW, MCV, Age, and Gender. The study’s contributions include an SVM benchmark framework for anemia classification, a demonstration of the effectiveness of hyperparameter optimization, and the strengthening of the Indonesian medical informatics literature in the application of machine learning to metabolic diseases, which accelerates the digital transformation of clinical hematology practice.
Mitigasi Temuan Audit Berulang dengan Pendekatan Teknologi RPA (Robotic Process Automattion) pada Perusahaan Retail di Bursa Efek Indonesia Systematic Literatur Review Syandiatama Sajidan Ananta; Wukuf Dilvan Rafa; Syarbini Ikhsan
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10605

Abstract

Penelitian ini bertujuan untuk mengukur sejauh mana system RPA dapat mengatasi temuan berulang melalui pendekatan system RPA (Robotic Process Automattion) pada perusahan retail yang terdaftar di Bursa Efek Indonesia dengan menggunakan metode Systematic Literatur Review. Hasil dari literatur review ini menunjukan bahwa system RPA berpotensi dalam meningkatkan efisiensi dalam rekonsiliasi data yang repetitif secara otomatis, temuan berulang pada umumnya berkaitan dengan proses audit yang dilakukan secara manual. Implementasi RPA sendiri dapat mengatasi rekonsiliasi data yang repetitif secara otomatis sehingga proses audit yang dilakukan dapat lebih efisien dan mengurangi risiko kesalahan manusia.
Peningkatan Sensitivitas Model Boosting untuk Deteksi Diabetes Menggunakan SMOTE pada Imbalanced Dataset Setyawan Wibisono; Eko Nur Wahyudi; Imam Husni Al Amin
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10606

Abstract

This study aims to analyze the effect of SMOTE on the sensitivity of boosting models for diabetes detection using the BRFSS 2015 dataset. The dataset consists of 253,680 instances with 21 features and a binary target, namely diabetes and non-diabetes. The primary issue in the dataset is class imbalance, causing the models to be more biased toward recognizing the non-diabetes class. The algorithms employed in this study include AdaBoost, XGBoost, and Gradient Boosting, evaluated under two scenarios: without SMOTE and with SMOTE. Model performance was assessed using accuracy, precision, recall, F1-score, ROC-AUC, confusion matrix, and 10-fold cross validation. The results demonstrate that SMOTE improves recall across all models. The most significant improvement occurred in AdaBoost, where recall increased from 0.016551 to 0.711840. The cross-validation results also showed that AdaBoost + SMOTE achieved a recall value of 0.721384. Although accuracy and precision decreased, AdaBoost + SMOTE became the most sensitive model for detecting diabetes. Therefore, this model has potential to be utilized as an early diabetes screening support tool.
Ensemble Learning untuk Klasifikasi Penyakit Kardiovaskuler dengan Optimasi Hyperparameter menggunakan Grid Search Eko Nur Wahyudi; Setyawan Wibisono
Dinamik Vol 31 No 2 (2026)
Publisher : Universitas Stikubank

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35315/dinamik.v31i2.10608

Abstract

This study aims to optimize ensemble learning models for cardiovascular disease classification based on patients’ clinical data using the Grid Search method. The dataset used consists of 70,000 patient records with clinical attributes such as age, gender, height, weight, blood pressure, cholesterol, glucose, smoking habits, alcohol consumption, physical activity, and cardiovascular disease status. After preprocessing, 68,606 records were utilized, with a relatively balanced class distribution. The algorithms employed in this study include LightGBM, AdaBoost, and Gradient Boosting. Model evaluation was conducted using accuracy, precision, recall, F1-score, ROC-AUC, confusion matrix, and 10-fold cross validation. The results indicate that Gradient Boosting achieved the best performance with a ROC-AUC score of 0.804400 on the testing data and 0.801757 on cross validation. This model also produced the highest recall and F1-score values. Therefore, Gradient Boosting optimized with Grid Search is considered suitable for cardiovascular disease classification based on clinical data.

Page 50 of 51 | Total Record : 505

 47   48   49   50   51 

Filter by Year

2002 2026


Reset
Filter By Issues
All Issue Vol 31 No 2 (2026) Vol 31 No 1 (2026) Vol 30 No 2 (2025) Vol 30 No 1 (2025) Vol 29 No 2 (2024) Vol 29 No 1 (2024) Vol 28 No 2 (2023) Vol 28 No 1 (2023) Vol 27 No 2 (2022) Vol 27 No 1 (2022) Vol 26 No 2 (2021) Vol 26 No 1 (2021) Vol 25 No 2 (2020) Vol 25 No 1 (2020) Vol 24 No 2 (2019) Vol 24 No 1 (2019) Vol 23 No 2 (2018) Vol 23 No 1 (2018) Vol 22 No 2 (2017) Vol 22 No 1 (2017) Vol 21 No 2 (2016) Vol 21 No 1 (2016) Vol 20 No 2 (2015) Vol 20 No 1 (2015) Vol 19 No 2 (2014) Vol 19 No 1 (2014) Vol 18 No 2 (2013) Vol 18 No 1 (2013) Vol 17 No 2 (2012) Vol 17 No 1 (2012) Vol 16 No 2 (2011) Vol 16 No 1 (2011) Vol 15 No 2 (2010) Vol 15 No 1 (2010) Vol 14 No 2 (2009) Vol 14 No 1 (2009) Vol 13 No 2 (2008) Vol 13 No 1 (2008) Vol 12 No 2 (2007) Vol 12 No 1 (2007) Vol 11 No 2 (2006) Vol 11 No 1 (2006) Vol 10 No 3 (2005) Vol 10 No 2 (2005) Vol 10 No 1 (2005) Vol 9 No 2 (2004) Vol 8 No 2 (2003) Vol 8 No 1 (2003) Vol 7 No 2 (2002) Vol 7 No 1 (2002) More Issue