cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Fitri Indra Indikawati
Contact Email
fitri.indikawati@tif.uad.ac.id
Phone
-
Journal Mail Official
jurnalsarjana@tif.uad.ac.id
Editorial Address
Jl. Ringroad Selatan, Kragilan, Tamanan, Kec. Banguntapan, Bantul, Daerah Istimewa Yogyakarta 55191
Location
Kota yogyakarta,
Daerah istimewa yogyakarta
INDONESIA
Jurnal Sarjana Teknik Informatika
Published by Universitas Ahmad Dahlan
ISSN : 23385197     EISSN : 28093399     DOI : -
Core Subject : Science,
Computer Science & IT
JSTIE (Jurnal Sarjana Teknik Informatika) (E-Journal) adalah jurnal online ditujukan sebagai sarana publikasi dari makalah yang disarikan dari hasil penelitian mahasiswa Teknik Informatika. Focus and Scope: Rekayasa Perangkat Lunak (Software Engineering) Pengetahuan dan Data Mining (Data Mining) Teknologi Multimedia (Multimedia Technologies) Kecerdasan Buatan (Artificial Intelligents) Grafika Komputer (Computer Graphics) Sistem Informasi (Information Systems)
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 559 Documents
 52   53   54   55   56 
Sistem Keamanan Pintu Menggunakan Sensor Sidik Jari Berbasis Node MCU V3 Hidayat Efendi; Muhammad Ihsan; Dedi Haryanto
Jurnal Sarjana Teknik Informatika Vol. 14 No. 1 (2026): Februari
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i1.31953

Abstract

Keamanan pintu merupakan salah satu aspek penting dalam melindungi aset dan membatasi akses terhadap suatu ruangan. Penggunaan kunci konvensional masih memiliki kelemahan, seperti risiko kehilangan, kerusakan, atau duplikasi kunci oleh pihak yang tidak berwenang. Penelitian ini bertujuan untuk merancang dan membangun sistem keamanan pintu menggunakan sensor sidik jari berbasis NodeMCU V3 yang terintegrasi dengan teknologi Internet of Things (IoT). Sistem ini memanfaatkan sensor fingerprint sebagai media autentikasi pengguna, solenoid sebagai pengunci pintu elektronik, serta aplikasi Telegram sebagai media monitoring dan notifikasi jarak jauh. Metode penelitian yang digunakan meliputi analisis kebutuhan, perancangan sistem, implementasi perangkat keras dan perangkat lunak, serta pengujian sistem. Hasil pengujian menunjukkan bahwa sistem mampu mengenali sidik jari yang terdaftar dengan baik, mengontrol pembukaan pintu secara otomatis, serta mengirimkan notifikasi kepada pengguna. Sistem yang dikembangkan dapat meningkatkan keamanan dan memberikan kemudahan dalam pengelolaan akses pintu secara lebih efektif dan modern.
Sistem Pemantauan Harga Kripto Berbasis Web dengan Indikator dan Notifikasi Bot Telegram Rizky Parlika; Ahmad Budi Trisnawan; Akhlis Munazilin; Jerry Ramadhani Cahyas; Fitranda Ramadhana; Muhamad Faizhal Musthafa; Gayuh Abdi Mahardika; Bryan Benedict Bangun
Jurnal Sarjana Teknik Informatika Vol. 14 No. 2 (2026): Juni
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i2.31563

Abstract

Volatilitas tinggi pada pasar cryptocurrency di Indonesia menghadirkan risiko finansial yang sering diperburuk oleh keterlambatan akses informasi pasar. Penelitian ini bertujuan mengembangkan “CrpytoFlow Analytics”, sebuah sistem pemantauan real-time berbasis web dan Bot Telegram yang mengintegrasikan indikator teknikal RSI, MACD, Moving Average (MA), dan Bollinger Bands. Sistem dibangun menggunakan metode Waterfall dengan framework Laravel yang memanfaatkan data dari API Indodax. Validasi akurasi sinyal perdagangan menggunakan uji statistik Cohen’s Kappa, yang menghasilkan nilai koefisien 0.80, menunjukkan tingkat kesepakatan yang kuat antara prediksi sistem dan pegerakan pasar aktual. Selain itu, pengujian performa menunjukkan sistem mampu menaganin beban throughput di atas 50 request per detik (RPS) dengan latensi rendah. Penelitian ini menghasilkan alat bantu pengambilan keputusan yang teruji secara statistik dan andal secara teknis bagi investor aset kripto lokal.
Peningkatan Kualitas Citra Bencana Banjir Malam Hari Menggunakan CLAHE Berbasis Web Takyudin; Jonni Adi Putra; Ali Hamsar; Hamdi Indra
Jurnal Sarjana Teknik Informatika Vol. 14 No. 2 (2026): Juni
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i2.31696

Abstract

Pengambilan gambar bencana banjir dimalam hari mengakibatkan hasil visual tidak memadai karena kondisi pencahayaan rendah dan kontras citra yang minim, sehingga detail visual sulit diamati. Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis web yang dapat meningkatkan kualitas citra banjir malam hari menggunakan metode Contrast Limited Adaptive Histogram Equalization (CLAHE). Metode CLAHE diterapkan pada kanal luminansi ruang warna LAB untuk meningkatkan kontras lokal tanpa meningkatkan noise secara berlebihan. Aplikasi dikembangkan menggunakan framework Streamlit agar mudah diakses dan digunakan oleh pengguna umum. Evaluasi kualitas citra dilakukan secara visual dan kuantitatif menggunakan parameter Peak Signal to Noise Ratio (PSNR), Structural Similarity Index (SSIM), dan entropy. Berdasarkan hasil pengujian terhadap lima citra banjir malam hari, diperoleh nilai PSNR pada rentang 17,04–20,56 dB dan nilai SSIM antara 0,74–0,85, yang menunjukkan bahwa struktur citra tetap terjaga setelah pemrosesan. Selain itu, nilai entropy mengalami peningkatan pada seluruh citra uji, dari kisaran 6,14–7,48 sebelum pemrosesan menjadi 6,96–7,79 setelah penerapan CLAHE, yang mengindikasikan distribusi intensitas citra yang lebih merata. Pengujian fungsional menggunakan metode black box menunjukkan bahwa seluruh fitur aplikasi berjalan sesuai dengan kebutuhan sistem. Hasil penelitian ini menunjukkan bahwa aplikasi berbasis web dengan metode CLAHE efektif untuk meningkatkan kualitas citra bencana banjir malam hari.
Prediksi Suhu Udara Kota Surabaya Menggunakan Prophet dengan Grid Search Hyperparameter Kemal Fahreza Jibran Jibran; Rizky Parlika; Wahyu Syaifullah Jauharis Saputra
Jurnal Sarjana Teknik Informatika Vol. 14 No. 2 (2026): Juni
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i2.32011

Abstract

Perubahan iklim meningkatkan jumlah panas yang mencapai permukaan terutama wilayah inti perkotaan seperti Surabaya yang terkena dampak urbanisasi dan fenomena Urban Heat Island. Model ini memprediksi suhu dengan cara yang seakurat mungkin, dan kondisi ini menuntut model prediksi suhu udara harian. Penelitian ini bertujuan untuk memprediksi suhu udara harian Kota Surabaya menggunakan model deret waktu Prophet yang dioptimasikan menggunakan Grid Search Hyperparameter. Sample data sebanyak 2.182 observasi setiap triwulan mulai Januari 2020 hingga akhir Desember 2025. Tahapan penenitian meliputi pengumpulan data, prapemrosesan, transformasi, pembagian data secara-kronologis, pelatihan model baseline, optimasi hyperparameter, and evaluasi kinerja. RMSE 0,868362, MAE 0,660211, dan MAPE 2,325906 adalah model prophet baseline RMSE, MAE, and MAPE. Setelah dilakukan optimasi pada parameter changepoint_prior_scale, seasonality_prior_scale, and seasonality_mode, diperoleh peningkatan kinerja dengan nilai evaluasi RMSE 0,858426, MAE 0,657965, and MAPE 2,311441. Hasil dekomposisi menunjukkan adanya tren jangka panjang serta pola musiman tahunan yang dominan. Optimasi hyperparameter terbukti secara keseluruhan meningkatkan prediksi suhu udara di Surabaya.
Stacking-Based Hybrid Ensemble Learning for Security Personnel Attendance Prediction and Performance Classification Nurhadi Nurhadi; Khairul Azmi Azmi; Mustazzihim Suhaidi Suhaidi; Sandi Fadilah Fadilah
Jurnal Sarjana Teknik Informatika Vol. 14 No. 2 (2026): Juni
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i2.32090

Abstract

Monitoring the attendance and performance of campus security personnel is essential to ensure operational effectiveness and service reliability. However, conventional monitoring approaches are often manual, fragmented, and prone to inaccuracies, limiting timely decision-making. This study proposes a stacking-based hybrid ensemble machine learning model for predicting security personnel attendance and classifying performance within the SIMSATPAM campus monitoring system at Institut Teknologi dan Bisnis Riau Pesisir. The proposed method integrates Random Forest, Support Vector Machine (SVM), and XGBoost as base learners, while Logistic Regression is employed as the meta-learner to improve predictive capability and classification robustness. To prevent overfitting and data leakage, the stacking architecture utilizes K-Fold Cross-Validation and Out-of-Fold (OOF) prediction mechanisms during meta-learner training. Experimental results demonstrate that the proposed stacking hybrid ensemble model outperforms individual classifiers across all evaluation metrics. The model achieved an accuracy of 94.27%, precision of 93.81%, recall of 93.45%, and F1-score of 93.62%, improving accuracy by 4.13% compared to Random Forest, 5.51% compared to SVM, and 2.24% compared to XGBoost. Furthermore, the proposed model produced stable multi-class classification performance for attendance prediction and personnel performance evaluation. Analysis indicates that attendance duration, shift schedule, and lateness frequency are the most influential variables affecting prediction outcomes. These findings confirm that the proposed stacking-based hybrid ensemble approach provides an effective intelligent decision-support system for automated campus security monitoring and personnel management in smart campus environments.
Klasifikasi Penyakit Daun Padi Menggunakan CNN EfficientNetB0 Dengan Evaluasi Kinerja Model Puput Nofita Sari; Denny Vasanando Sabanise
Jurnal Sarjana Teknik Informatika Vol. 14 No. 2 (2026): Juni
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i2.32187

Abstract

Penelitian ini dilatarbelakangi oleh tingginya tingkat serangan penyakit daun padi yang berdampak pada penurunan produktivitas hasil panen, serta keterbatasan metode diagnosis manual yang cenderung lambat dan subjektif. Oleh karena itu, penelitian ini bertujuan pada pengembangan dan penerapan sistem pengklasifikasian penyakit daun padi melalui pengolahan citra digital dengan memanfaatkan teknik Convolutional Neural Network (CNN). Metode yang digunakan dalam penelitian ini yaitu metode eksperimen dengan memanfaatkan arsitektur EfficientNetB0 yang telah disempurnakan lewat penambahan dual pooling, aktivasi Swish, dan dropout untuk regularisasi guna memaksimalkan kemampuan model. Data citra sebanyak 5.688 buah dibagi menjadi bagian training, validasi, serta testing. Penilaian model mengandalkan metrik seperti akurasi, presisi, recall, F1-score, dan confusion matrix. Temuan utama mengungkap bahwa model ini berhasil meraih akurasi 91,84%, terutama unggul pada kategori healthy serta bacterial leaf blight. Model kemudian diimplementasikan dalam bentuk aplikasi web berbasis Flask dengan format ONNX untuk mendukung deployment yang efisien. Sistem yang dikembangkan mampu melakukan klasifikasi secara cepat dan akurat, serta menyediakan rekomendasi penanganan penyakit. Dengan demikian, penelitian ini memberikan kontribusi dalam pengembangan sistem cerdas untuk deteksi penyakit tanaman padi secara otomatis dan aplikatif.
Sistem Absensi Menggunakan Face Recognition dengan Metode Haar dan LBPH berbasis Python Nia Rahmadhani; Denny Vasanando Sabanise
Jurnal Sarjana Teknik Informatika Vol. 14 No. 2 (2026): Juni
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i2.32191

Abstract

Sistem absensi menggunakan cara umum masih banyak digunakan dalam organisasi, namun memiliki kelemahan seperti manipulasi data, ketidakefisienan waktu, serta kesalahan pencatatan. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem absensi berbasis face recognition menggunakan metode Haar Cascade untuk deteksi wajah dan Local Binary Pattern Histogram (LBPH) untuk pengenalan wajah berbasis Python. Sistem dikembangkan melalui tahapan pengambilan dataset wajah, pelatihan model, implementasi absensi secara real-time menggunakan webcam, dan penyimpanan basis data berbasis web. Hasil penelitian menunjukkan bahwa sistem mampu mendeteksi dan mengenali wajah pengguna secara otomatis serta mencatat kehadiran ke dalam basis data dengan tingkat akurasi yang cukup baik pada kondisi pencahayaan yang memadai. Selain itu, sistem mampu meningkatkan efisiensi proses absensi dan meminimalkan potensi kecurangan seperti titip absen. Meskipun demikian, akurasi sistem masih dipengaruhi oleh faktor pencahayaan dan jarak kamera.
Klasifikasi Jenis Kopi Lokal Menggunakan Convolutional Neural Network Berbasis InceptionV3 Margaretha Maria Sina; Erna Rosani Nubatonis; Heni
Jurnal Sarjana Teknik Informatika Vol. 14 No. 2 (2026): Juni
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i2.32193

Abstract

Kopi merupakan salah satu komoditas perkebunan unggulan yang memiliki nilai ekonomi tinggi dan menjadi sumber pendapatan masyarakat di berbagai daerah, termasuk Flores Sikka, Nusa Tenggara Timur. Identifikasi jenis kopi masih dilakukan secara manual berdasarkan pengamatan visual sehingga berpotensi menimbulkan kesalahan dan ketidakkonsistenan. Penelitian ini bertujuan mengembangkan model klasifikasi jenis kopi lokal menggunakan metode Convolutional Neural Network (CNN) berbasis arsitektur InceptionV3. Dataset yang digunakan terdiri atas 300 citra biji kopi yang terbagi ke dalam tiga kelas, yaitu Arabika, Robusta, dan Liberika. Tahapan penelitian meliputi akuisisi data, preprocessing, augmentasi data, pembagian data menggunakan 5-Fold Cross Validation, pelatihan model dengan transfer learning, serta evaluasi menggunakan confusion matrix. Model dilatih menggunakan ukuran citra 299×299 piksel, optimizer Adam, learning rate 0,00001, batch size 8, dan 40 epoch. Hasil pengujian menunjukkan bahwa model memperoleh rata-rata akurasi sebesar 96,6% dengan akurasi terbaik mencapai 98%. Nilai precision, recall, dan F1-score pada masing-masing kelas juga menunjukkan performa yang tinggi. Hasil penelitian membuktikan bahwa arsitektur InceptionV3 efektif dalam mengenali karakteristik visual biji kopi dan dapat digunakan sebagai solusi klasifikasi otomatis yang akurat dan konsisten. Hasil ini menunjukkan bahwa arsitektur InceptionV3 mampu mengenali fitur morfologi biji kopi lokal dengan baik meskipun menggunakan jumlah dataset yang relatif terbatas, sehingga berpotensi diterapkan sebagai sistem identifikasi kopi otomatis pada sektor pertanian dan industri pengolahan kopi.
Analisis Kinerja XGBoost dengan Penanganan Imbalanced Dataset Menggunakan SMOTE-Tomek pada Klasifikasi Penyakit Diabetes Rohmi Dyah Astuti; Christyan Tamaro Nadeak; Ade Lailani
Jurnal Sarjana Teknik Informatika Vol. 14 No. 2 (2026): Juni
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i2.32255

Abstract

Penyakit diabetes merupakan salah satu penyakit kronis yang mengalami peningkatan jumlah penderita secara signifikan dalam beberapa tahun terakhir dan memerlukan deteksi dini yang akurat. Ketepatan dalam proses klasifikasi penyakit diabetes sangat penting untuk membantu penanganan medis dan mengurangi risiko komplikasi pada pasien. Namun, permasalahan ketersediaan data yang tak seimbang pada data kesehatan seringkali menyebabkan model klasifikasi menjadi bias terhadap kelas mayoritas dimana jumlah penderita diabetes lebih sedikit dibanding jumlah bukan penderita diabetes. Penelitian ini bertujuan untuk menganalisis performa algoritma XGBoost dengan penerapan metode SMOTE-Tomek dalam menangani ketidakseimbangan data pada klasifikasi penyakit diabetes. Dataset yang digunakan terdiri dari 5288 data dengan 14 fitur merupakan faktor-faktor pendukung resiko terkena penyakit diabetes. Proses penelitian meliputi prapemrosesan data, pembagian data latih dan data uji, penanganan imbalanced dataset menggunakan SMOTE-Tomek, pelatihan model XGBoost dengan hyperparameter tuning menggunakan GridSearchCV, serta evaluasi model menggunakan metrik akurasi, precision, recall, F1-score, dan ROC-AUC. Dengan pembagian data latih dan data uji sebesar 80:20, hasil penelitian menunjukkan bahwa tanpa penanganan data tidak seimbang, model menghasilkan nilai precision sebesar 0,61, recall sebesar 0,30, dan F1-score sebesar 0,40 pada kelas minoritas. Setelah penerapan SMOTE-Tomek, nilai recall dan F1-score meningkat menjadi 0,45, meskipun precision menurun menjadi 0,45. Selain itu, nilai ROC-AUC meningkat dari 0,64 menjadi 0,70, yang menunjukkan peningkatan kemampuan model dalam membedakan kelas. Dengan demikian, kombinasi SMOTE-Tomek dan XGBoost terbukti mampu meningkatkan performa model dalam menangani dataset tidak seimbang, khususnya dalam mendeteksi kelas minoritas pada kasus klasifikasi penyakit diabetes.

Page 56 of 56 | Total Record : 559

 52   53   54   55   56 

Filter by Year

2013 2026


Reset
Filter By Issues
All Issue Vol. 14 No. 2 (2026): Juni Vol. 14 No. 1 (2026): Februari Vol. 13 No. 3 (2025): Oktober Vol. 13 No. 2``` (2025): Juni Vol. 13 No. 1 (2025): Februari Vol. 12 No. 3 (2024): Oktober Vol 12, No 2 (2024): Juni Vol. 12 No. 2 (2024): Juni Vol. 12 No. 1 (2024): Februari Vol 12, No 1 (2024): Februari Vol 11, No 3 (2023): Oktober Vol. 11 No. 3 (2023): Oktober Vol 11, No 2 (2023): Juni Vol. 11 No. 2 (2023): Juni Vol. 11 No. 1 (2023): Februari Vol 11, No 1 (2023): Februari Vol. 10 No. 3 (2022): Oktober Vol 10, No 3 (2022): Oktober Vol 10, No 2 (2022): Juni Vol. 10 No. 2 (2022): Juni Vol. 10 No. 1 (2022): Februari Vol 10, No 1 (2022): Februari Vol 9, No 3 (2021): Oktober Vol. 9 No. 3 (2021): Oktober Vol 9, No 2 (2021): Juni Vol. 9 No. 2 (2021): Juni Vol. 9 No. 1 (2021): Februari Vol 9, No 1 (2021): Februari Vol 8, No 3 (2020): Oktober Vol. 8 No. 3 (2020): Oktober Vol 8, No 2 (2020): Juni Vol. 8 No. 2 (2020): Juni Vol 8, No 1 (2020): Februari Vol. 8 No. 1 (2020): Februari Vol 7, No 3 (2019): Oktober Vol 7, No 2 (2019): Juni Vol 7, No 1 (2019): Februari Vol 6, No 3 (2018): Oktober Vol 6, No 2 (2018): Juni Vol 6, No 1 (2018): Februari Vol 5, No 3 (2017): Oktober Vol 5, No 2 (2017): Juni Vol 5, No 1 (2017): Februari Vol 4, No 3 (2016): Oktober Vol 4, No 2 (2016): Juni Vol 4, No 1 (2016): Februari Vol 3, No 3 (2015): Oktober Vol 3, No 2 (2015): Juni Vol 3, No 1 (2015): Februari Vol 2, No 3 (2014): Oktober Vol 2, No 2 (2014): Juni Vol 2, No 1 (2014): Februari Vol 1, No 2 (2013): Oktober Vol 1, No 1 (2013): Juni More Issue