cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Erlangga, S.Kom., M.Kom
Contact Email
jurnalfik@ubl.ac.id
Phone
+628978957357
Journal Mail Official
jurnalfik@ubl.ac.id
Editorial Address
Pusat Studi Teknologi Informasi - Fakultas Ilmu Komputer Universitas Bandar Lampung Gedung Business Center Lt.2 Jl. Zainal Abidin Pagar Alam No.26 Labuhan Ratu Bandar Lampung
Location
Kota bandar lampung,
Lampung
INDONESIA
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi
Published by Universitas Bandar Lampung
ISSN : 20885555     EISSN : 27457265     DOI : http://dx.doi.org/10.36448/jmsit.v10i1.1490
Core Subject : Science,
Computer Science & IT
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknolologi menyajikan artikel/naskah dalam bidang teknologi informasi khususnya dalam Fokus pada 5 kelompok keilmuan di bidang sistem informasi yaitu: Sistem Informasi, Rekayasa Perangkat Lunak (RPL), Jaringan, Multimedia, Security, Teknologi Web dan Mobile serta Kecerdasan Buatan dan Game, serta tidak membatasi terhadap kajian-kajian sistem informasi lainnya meliputi: Information System, Business Intelligence, Logistic and Supply Chain Management, Customer Relationship Management, Human Resource Management, Intelligent Decision Support Systems, Enterprise Systems, Business Process Modelling, System Modelling, Management Information Systems, Economic Models for Information Systems, Mobile e-Business, Web Services for e-Business, Knowledge Management, Strategic Information Systems, Artificial Intelligence and Expert Systems, Balanced Scorecard, e-Commerce, Business Forecasting Process, Information Systems Change Management, Innovation in Information Systems and Change Management, Total Quality Management, Six Sigma for Performance Improvement, General Information Systems Related to Business Competitiveness.
Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi
Articles 228 Documents
 19   20   21   22   23 
SMARTGRAD: Prediksi Kelulusan Tepat Waktu Mahasiswa Kampus Merdeka Agung Wibowo; Ade Pratama; Dwi Setiawan
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4605

Abstract

On-time graduation is a primary indicator of student success and serves as a key benchmark for the quality of higher education institutions. This study aims to develop SmartGrad, a prediction model for on-time graduation based on the Naive Bayes algorithm, supported by feature selection using Decision Tree. The model integrates academic variables (semester GPA, average grades) and non-academic variables (types of MBKM, employment status, age) to produce accurate and contextual predictions. The research dataset comprises 313 entries with 17 attributes, processed through feature selection and classification stages. Evaluation results demonstrate the model's excellent performance, with an average accuracy of 88.8%, precision of 90.5%, recall of 97.9%, and an F1-score of 94.0%. The implementation of SmartGrad as an interactive web application based on Streamlit supports transparent and easily comprehensible decision-making. The novelty of this research lies in the integration of MBKM factors and employment status into the prediction model, as well as the application of an interpretable AI approach to support higher education policies and the achievement of Sustainable Development Goal 4 (Quality Education). These findings are expected to serve as a strategic reference for higher education administrators in enhancing academic quality and the effectiveness of the Freedom of Learning Independent Campus program.
Implementasi Sistem Administrasi Laboratorium Praktik Berbasis Web dengan Integrasi Barcode Muhammad Aqil Annafi; Halimah Yunus; Wasilah Wasilah; Ochi Marsella Febriani
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4382

Abstract

Pengelolaan laboratorium praktik di Poltekkes Kemenkes Tanjung Karang, khususnya pada jurusan Teknik Gigi, masih dilakukan secara manual sehingga sering menimbulkan duplikasi data, keterlambatan laporan, dan kesalahan pencatatan. Penelitian ini bertujuan untuk mengembangkan sistem administrasi laboratorium berbasis web yang terintegrasi dengan teknologi barcode guna meningkatkan efisiensi dan akurasi pencatatan bahan. Metode penelitian menggunakan pendekatan Research and Development dengan model Waterfall yang mencakup analisis kebutuhan, desain sistem, implementasi, pengujian, dan pemeliharaan. Sistem dikembangkan dengan arsitektur Model-View-Controller (MVC) menggunakan PHP, MySQL, JsBarcode, dan ZXing. Uji coba dilakukan pada teknisi laboratorium, dosen, dan mahasiswa dengan membandingkan proses manual dan sistem. Hasil penelitian menunjukkan bahwa waktu pencatatan rata-rata per item berkurang dari 5,2 menit menjadi 2,1 menit, sedangkan tingkat kesalahan pencatatan menurun dari 23% menjadi 3%. Selain itu, pembuatan laporan dapat diselesaikan hanya dalam sepuluh menit dibandingkan rata-rata dua hari secara manual. Temuan ini membuktikan bahwa sistem mampu meningkatkan efisiensi hingga 60% dan secara signifikan memperbaiki akurasi pencatatan. Penelitian ini memberikan kontribusi berupa solusi praktis untuk pengelolaan laboratorium pendidikan kesehatan dengan jumlah item yang besar dan variasi mata kuliah per semester, serta berpotensi diimplementasikan pada laboratorium vokasi lainnya.
Model Deteksi Penyakit Padi yang Efektif Berbasis Deep Learning Taryadi Taryadi; Era Yunianto; Hari Agung Budijanto
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4454

Abstract

Padi merupakan tanaman utama di Indonesia yang krusial bagi konsumsi masyarakat domestik maupun ekspor. Prevalensi infeksi padi menjadi tantangan tersendiri bagi petani dan memiliki dampak pada hasil panenen dan dapat mengakibatkan kerugian. Identifikasi penyakit oleh manusia bergantung pada keahlian, sehingga diagnosis dini menjadi krusial untuk menjaga kesehatan tanaman padi. Untuk mengatasi keterbatasan jumlah citra daun padi dalam dataset, pendekatan yang digunakan dengan menggabungkan augmentasi dan laju dilasi. Penggunaan algoritma pembelajaran mesin menawarkan solusi yang menjanjikan untuk mendiagnosis penyakit daun pada secara efisien. Namun, metode yang ada menghadapi tantangan seperti latar belakang citra, data citra yang tidak memadai, dan variasi gejala. Penelitian ini memanfaatkan model Jaringan Saraf Tiruan Konvolusional (CNN) khusus untuk foto daun padi, yang secara efektif meningkatkan akurasi klasifikasi penyakit. Pendekatan yang diusulkan berhasil mengidentifikasi dan mendiagnosis tiga kelas berbeda: penyakit bercak daun, bercak cokelat, dan hawar daun bakteri. Setelah sejumlah iterasi pelatihan, tingkat akurasi dengan menggunakan model Jaringan Saraf Tiruan Konvolusional sebesar 92,63% adalah yang paling menguntungkan
Studi Perbandingan Efektivitas Dan Efisiensi Sevima Web Dan Aplikasi Sevima Dalam Mendukung Aktivitas Akademik Mahasiswa Maharani Maharani; Nurani Nurani; Nurkhalik Wahdanial Asbara
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4524

Abstract

This study aims to analyze: (1) The influence of the effectiveness and efficiency of Sevima Web and the Sevima Application on students' academic activities; (2) The simultaneous influence of the effectiveness and efficiency of Sevima Web and the Sevima Application on students' academic activities; (3) The most dominant variable between Sevima Web and the Sevima Application influencing students' academic activities. This research employs a quantitative method, with a sample of 87 respondents who are students of the Institut Teknologi dan Bisnis Nobel Indonesia. Data was collected using a Likert-scale questionnaire and analyzed using multiple linear regression analysis. The results indicate that: (1) The effectiveness and efficiency of the Sevima Application have a partial effect on students' academic activities, while the effectiveness and efficiency of Sevima Web do not have a partial effect; (2) The effectiveness and efficiency of Sevima Web and the Sevima Application have a positive simultaneous effect on students' academic activities; (3) The effectiveness and efficiency variable of the Sevima Application is the most dominant, having a positive and significant influence on students' academic activities.
Model Analitik Penilaian Risiko Nasabah pada Platform Online Lending Menggunakan Pendekatan Big Data Analytics Iwan Purwanto; Syandra Sari; Muhammad Umar Arif Paago; Muhammad Tegar Hidayatullah; Muhammad Fikri
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 15, No 2 (2025): December
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v15i2.4799

Abstract

Perkembangan teknologi finansial (financial technology atau fintech), khususnya platform online lending, telah meningkatkan akses masyarakat terhadap layanan pembiayaan digital. Namun, peningkatan jumlah pengajuan pinjaman juga menimbulkan tantangan dalam proses penilaian risiko kredit, terutama dalam mengidentifikasi calon peminjam yang berpotensi mengalami gagal bayar. Penelitian ini bertujuan untuk mengembangkan model analitik penilaian risiko nasabah pada platform online lending menggunakan pendekatan Big Data Analytics untuk meningkatkan akurasi proses evaluasi kredit. Penelitian ini menggunakan pendekatan kuantitatif berbasis data yang terdiri dari 5 tahapan utama, yaitu (1) pengumpulan data, (2) data preprocessing, (3) integrasi data, (4) pengembangan model analitik, dan (5) evaluasi model. Dataset penelitian mengintegrasikan 3 jenis sumber data utama, yaitu data transaksi peminjam, data profil pengguna, dan data perilaku digital. Penelitian ini membandingkan 4 algoritma machine learning yaitu Logistic Regression, Decision Tree, Random Forest, dan Support Vector Machine (SVM) untuk memprediksi tingkat risiko kredit nasabah. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki performa terbaik dengan nilai accuracy sebesar 0,91, lebih tinggi dibandingkan Support Vector Machine (0,87), Decision Tree (0,85), dan Logistic Regression (0,82). Analisis feature importance menunjukkan bahwa 3 variabel utama yang paling berpengaruh terhadap prediksi risiko kredit adalah status pembayaran sebelumnya, tingkat pendapatan, dan riwayat pinjaman.Penelitian ini memberikan kontribusi dengan mengusulkan model analitik berbasis Big Data dan machine learning yang mampu meningkatkan akurasi penilaian risiko kredit pada platform fintech lending. Model yang dihasilkan berpotensi diimplementasikan sebagai sistem pendukung keputusan (decision support system) untuk membantu perusahaan fintech dalam melakukan evaluasi kredit secara lebih cepat, objektif, dan berbasis data.
Pengembangan Sistem Rekapitulasi Presensi Terpusat dengan Sinkronisasi Otomatis dari Perangkat Fingerprint Terdistribusi Dwi Romadhan; Dian Resha Agustina
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 16, No 1 (2026): Juni
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v16i1.4930

Abstract

Sistem presensi terdesentralisasi menyebabkan inefisiensi waktu rekapitulasi, potensi kecurangan data, dan kesulitan konsolidasi antar lokasi. Kebaruan penelitian ini adalah arsitektur sinkronisasi otomatis yang mengintegrasikan multiple perangkat fingerprint Solution melalui API /iWsService ke dalam sistem terpusat berbasis web, yang belum banyak dikaji pada penelitian sejenis. Penelitian bertujuan mengembangkan sistem rekapitulasi presensi terpusat dengan sinkronisasi otomatis serta mengukur efektivitasnya. Metode yang digunakan adalah Waterfall. Pengukuran efisiensi waktu menggunakan rumus (Tmanual − Tsistem) / Tmanual × 100%, dengan Tmanual = 8 jam dan Tsistem = 2 jam. Akurasi fingerprint diukur berdasarkan rasio identifikasi benar terhadap total percobaan, dari 5.000 percobaan (100 pengguna × 5 perangkat × 10 kali). Waktu sinkronisasi diukur melalui pencatatan timestamp dari pengiriman hingga penyimpanan data. Hasil pengujian menunjukkan akurasi 98,5%, waktu sinkronisasi rata-rata 5,7 detik (jarak 5–25 m), dan success rate 99,6%. Kontribusi ilmiah penelitian ini diwujudkan melalui perancangan arsitektur integrasi terpusat untuk perangkat fingerprint terdistribusi, implementasi mekanisme sinkronisasi otomatis yang berjalan tanpa intervensi manual, serta pengukuhan kuantitatif berupa peningkatan efisiensi rekapitulasi sebesar 75% dibandingkan metode manual
Analisis Model TOE pada Digital Technology Innovation E-Commerce untuk Rekomendasi Peningkatan Seller Revenue dengan SEM-PLS Diva Irma Ayunita; Erma Suryani
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 16, No 1 (2026): Juni
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v16i1.4698

Abstract

Sektor e-commerce merupakan pendorong utama transformasi digital di Indonesia, dengan lonjakan nilai transaksi mencapai Rp487,01 triliun pada tahun 2024. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang mendorong adopsi inovasi teknologi digital (khususnya Artificial Intelligence dan Big Data Analytics) serta pengaruhnya terhadap pendapatan penjual. Dengan menggunakan kerangka kerja Technology-Organization-Environment (TOE), penelitian ini melibatkan 117 responden penjual kategori fashion di platform Shopee. Analisis data dilakukan menggunakan metode Structural Equation Modeling - Partial Least Squares (SEM-PLS). Hasil pengujian struktural menunjukkan bahwa faktor Teknologi ($p < 0,001$), Organisasi ($p = 0,004$), dan Lingkungan ($p < 0,001$) berpengaruh positif signifikan terhadap adopsi inovasi teknologi digital (DTI). Namun, analisis jalur langsung mengungkapkan bahwa hanya aspek Organisasi dan Lingkungan yang berdampak signifikan terhadap pendapatan penjual. Sebaliknya, aspek Teknologi dan DTI itu sendiri tidak memberikan pengaruh signifikan terhadap pendapatan. Hal ini mengindikasikan bahwa kapabilitas internal penjual dan dukungan ekosistem platform lebih dominan dalam meningkatkan pendapatan dibandingkan penggunaan teknologi semata. Rendahnya dampak langsung DTI diduga karena pemanfaatan yang belum optimal serta kurangnya keterampilan analitis pengguna.
Penalaran Kompleks pada Citra Digital Motif Batik Lampung Menggunakan Model LVLM Ari Kurniawan Saputra; Robby Yuli Endra; Fenty Ariani; Erlangga Erlangga; Iing Lukman
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 16, No 1 (2026): Juni
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v16i1.4926

Abstract

Penelitian ini menerapkan Large Vision-Language Model (LVLM) untuk melakukan penalaran kompleks berbasis Chain-of-Thought (CoT) pada citra digital motif batik Lampung. Batik Lampung merupakan warisan tekstil tradisional masyarakat Lampung yang dicirikan oleh empat motif khas: Leluak Tehambur (Kota Metro), Kapal Pesagi (Kabupaten Lampung Selatan), Pohon Hayat (Kabupaten Pesawaran), dan Motif Bambu (Kabupaten Pringsewu). Pendekatan berbasis CNN yang ada tidak mampu menjelaskan makna budaya yang terkandung dalam motif-motif tersebut, sehingga mendorong kebutuhan akan model yang mampu melakukan penalaran semantik. Dataset mandiri BLD-28 sebanyak 28 citra dikumpulkan dari empat Dekranasda resmi di Provinsi Lampung dan dianotasi oleh pakar budaya dengan inter-annotator agreement κ = 0,89. Model InternVL2-8B di-fine-tune menggunakan Low-Rank Adaptation (LoRA, r = 64, α = 128) dengan fungsi loss multi-task yang menggabungkan objektif klasifikasi dan generasi CoT. Hasil menunjukkan InternVL2-8B mencapai akurasi 94,37%, mIoU 88,12%, dan Reasoning Coherence Score (RCS) 4,62/5,00, melampaui seluruh baseline CNN maupun LVLM pembanding secara signifikan (uji McNemar, p < 0,001). Penalaran CoT terbukti meningkatkan akurasi klasifikasi sebesar 3,21 poin dibandingkan klasifikasi langsung, membuktikan kelayakan LVLM untuk pengenalan motif tekstil tradisional Indonesia yang berbasis pemahaman budaya
SISTEM INFORMASI MANAJEMEN STOK OBAT BERBASIS WEB PADA APOTEK BIMA FARMA Irsyadul I&#039;bad; Tukino Tukino; April Lia Hananto; Baenil Huda; Fitria Nurapriani
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 16, No 1 (2026): Juni
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v16i1.4801

Abstract

Manajemen stok obat di Apotek Bima Farma masih dilakukan secara manual, sehingga menyebabkan selisih data stok mencapai 8%–12% dan memperlambat proses pencarian serta pelaporan hingga sekitar 3 jam. Penelitian ini bertujuan membuat sistem informasi manajemen stok obat yang berbasis web agar bisa mempercepat dan membuat lebih tepat dalam mengolah data, serta mengurangi perbedaan stok hingga di bawah 2%. Sistem tersebut dibuat dengan menggunakan metode Waterfall, dan dalam pembuatan nya dilakukan perancangan menggunakan UML serta ERD. Sistem ini kemudian diimplementasikan dengan menggunakan framework CodeIgniter 3 yang berbasis PHP dan MySQL, serta menerapkan arsitektur MVC. Uji coba dilakukan dengan metode Black Box terhadap 12 skenario dan berhasil mencapai tingkat keberhasilan 100%. Selain itu, juga dilakukan pengujian dengan metode White Box dan diperoleh nilai kompleksitas siklomatis V(G) = 2. Hasil menunjukkan bahwa sistem berhasil mengotomatisasi proses pencatatan transaksi, memberikan informasi stok secara langsung dan segera, serta menghemat waktu dalam pembuatan laporan dari sekitar 3 jam menjadi kurang dari 30 menit. Selain itu, perbedaan antara stok yang ada dan yang diperlukan berhasil dikurangi hingga di bawah 2%. Dengan demikian, sistem yang dikembangkan efektif dalam meningkatkan efisiensi dan akurasi pengelolaan stok obat serta layak diterapkan pada apotek skala kecil hingga menengah
KLASIFIKASI SENTIMEN MASYARAKAT TERHADAP KASUS TUNTUTAN 17+8 MENGGUNAKAN NAÏVE BAYES CLASSIFIER Arif Kurniawan; Muhammad Fikry; Novi Yanti; Surya Agustian
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Vol 16, No 1 (2026): Juni
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/expert.v16i1.4947

Abstract

Perkembangan media sosial telah mendorong munculnya berbagai opini masyarakat terhadap isu-isu publik, termasuk kasus Tuntutan 17+8 yang menjadi perhatian luas di Indonesia. Analisis sentimen menjadi pendekatan yang penting untuk mengidentifikasi kecenderungan opini masyarakat secara sistematis. Namun, data teks pada media sosial umumnya bersifat tidak terstruktur dan mengandung berbagai noise sehingga memerlukan tahapan preprocessing yang tepat sebelum dilakukan klasifikasi. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap kasus Tuntutan 17+8 menggunakan metode Naïve Bayes Classifier serta mengevaluasi pengaruh tahapan preprocessing terhadap performa model melalui pendekatan ablation study. Data penelitian berupa komentar TikTok yang diproses melalui tahapan preprocessing meliputi case folding, normalisasi, stopword removal, dan stemming. Selanjutnya, fitur teks diekstraksi menggunakan TF-IDF dan diklasifikasikan menggunakan algoritma Multinomial Naïve Bayes. Hasil penelitian menunjukkan bahwa setiap kombinasi preprocessing memberikan pengaruh yang berbeda terhadap performa model. Pada dataset tambahan sebanyak 8.370 komentar, performa terbaik diperoleh pada kombinasi case folding dan normalisasi dengan akurasi 89,87% dan F1-score 91,89%. Sementara itu, pada dataset utama sebanyak 1.525 komentar, performa terbaik diperoleh pada kombinasi normalisasi dan stopword removal dengan akurasi 81,20% dan F1-score 80,31%. Hasil evaluasi menggunakan confusion matrix menunjukkan bahwa model memiliki kemampuan klasifikasi yang baik, terutama pada kelas sentimen positif. Penelitian ini membuktikan bahwa pemilihan tahapan preprocessing yang tepat berperan penting dalam meningkatkan performa klasifikasi sentimen menggunakan Naïve Bayes Classifier.

Page 22 of 23 | Total Record : 228

 19   20   21   22   23 

Filter by Year

2011 2026


Reset
Filter By Issues
All Issue Vol 16, No 1 (2026): Juni Vol 15, No 2 (2025): December Vol 15, No 1 (2025): June Vol 14, No 2 (2024): December Vol 13, No 1 (2023): June Vol 12, No 2 (2022): December Vol 12, No 1 (2022): June Vol 11, No 2 (2021): December Vol 11, No 1 (2021): June Vol 10, No 2 (2020): Desember Vol 10, No 1 (2020): Juni Vol 9, No 2 (2019): Desember Vol 9, No 1 (2019): Juni Vol 8, No 2 (2018): Desember Vol 8, No 1 (2018): Juni Vol 7, No 2 (2017): Desember Vol 7, No 1 (2017): Juni Vol 6, No 2 (2016): Desember Vol 6, No 1 (2016): Juni Vol 5, No 2 (2015): Desember Vol 5, No 1 (2015): Juni Vol 4, No 1 (2014): Juni Vol 3, No 2 (2013): Desember Vol 3, No 1 (2013): Juni Vol 2, No 2 (2012): Desember Vol 2, No 1 (2012): Juni Vol 2, No 2 (2011): Desember Vol 1, No 1 (2011): Juni More Issue