cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Suwarsito
Contact Email
jurnal.sainteks@ump.ac.id
Phone
-
Journal Mail Official
jurnal.sainteks@ump.ac.id
Editorial Address
Lembaga Penelitian dan Pengabdian Masyarakat (LPPM) Universitas Muhammadiyah Purwokerto Jl. KH. Ahmad Dahlan, PO BOX 202, Purwokerto 53182 Kembaran, Banyumas, Jawa Tengah, Indonesia
Location
Kab. banyumas,
Jawa tengah
INDONESIA
Sainteks
Published by Universitas Muhammadiyah Purwokerto
ISSN : 08521468     EISSN : 26860546     DOI : https://doi.org/10.30595/sainteks
Core Subject : Health, Science, Engineering,
Computer Science & IT Mechanical Engineering Medicine & Pharmacology
Sainteks adalah jurnal yang menyajikan artikel hasil pemikiran dan penelitian di bidang sains dan teknologi. Sainteks merupakan jurnal peer reviewed dan open access. Sainteks diterbitkan oleh Lembaga Penelitian dan Pengabdian Masyarakat Universitas Muhammadiyah Purwokerto. Sainteks mengundang para peneliti, dosen, dan praktisi di seluruh dunia untuk bertukar dan memajukan keilmuan di sains dan teknologi. Dokumen yang dikirim harus dalam format Ms. Word dan ditulis sesuai dengan panduan. Sainteks terbit 2 kali dalam setahun pada bulan Maret dan Oktober. Namun mulai tahun 2019 Sainteks terbit di bulan April dan Oktober.
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 253 Documents
 22   23   24   25   26 
Gambaran Angka Lempeng Total (ALT) pada Ikan Laut yang Diawetkan dengan Formulasi Cuka Kulit Nanas dan NaCl Febrianti, Icha; Azizah, Fitrotin; Mardiyah, Siti; Ariana, Diah
Sainteks Vol. 21 No. 2 (2024): Oktober
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v21i2.23617

Abstract

Ikan laut memiliki kandungan protein yang relatif tinggi, berkisar 15 sampai 25%. Untuk menjaga kesegaran kualitas ikan nelayan mengawetkan dengan cara tradisional yang membutuhkan waktu lama. Untuk meminimalkan potensi risiko penggunaan bahan kimia, maka digunakan bahan pengawet alami yang mudah, praktis, dan efektif yaitu cuka kulit nanas yang di kombinasi dengan NaCl. Tujuan penelitian ini adalah untuk mengetahui gambaran Angka Lempeng Total (ALT) pada ikan tongkol segar yang direndam dengan cuka kulit nanas dan NaCl. Jenis penelitian ini deskriptif. Populasi penelitian adalah ikan tongkol segar yang dikelompokkan menjadi 3 kelompok pengawetan yaitu  aquades, formalin dan cuka kulit nanas dan NaCl. Metode pengumpulan data menggunakan teknik observasi. Analisis data dilakukan dengan menghitung persentase jumlah sampel pada masing-masing kelompok pengawetan yang memiliki  nilai ALT sesuai dengan SNI. Hasil prosentase kesesuaian nilai ALT dengan SNI pada penelitian ini menunjukkan bahwa pada kelompok ikan yang tidak diawetkan, persentase ikan cod yang tidak memenuhi standar adalah 60% dan yang memenuhi standar SNI adalah 40%. Di pemandian formalin, persentase ikan cod yang tidak memenuhi standar SNI adalah 10% dan ikan yang memenuhi standar adalah 90%. Dalam pengawetan cuka kulit nanas-NaCl, persentase ikan yang memenuhi standar SNI adalah 100%. Hal itu membuktikan cuka kulit nanas dan NaCl berpotensi sebagai pengawet alami pada ikan yang tidak memberikan dampak negatif pada kesehatan.
Deteksi Dini Penyakit Kekurangan Gizi (Stunting) Berbasis Web menggunakan Metode Certainty Factor Efiyanti, Ade; Nisa, Umi Khoirun; Hindarto, Hindarto; Indrawati, Marcella; Wulandari, Alidza Septiam
Sainteks Vol. 21 No. 2 (2024): Oktober
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v21i2.23845

Abstract

Stunting merupakan kondisi di mana tinggi badan anak lebih rendah dari standar usianya, biasanya disebabkan oleh kekurangan gizi kronis. Stunting merupakan indikator masalah kesehatan yang serius karena mempengaruhi pertumbuhan fisik dan perkembangan kognitif anak. Sistem pakar deteksi dini stunting merupakan program komputer yang dirancang untuk membantu dalam identifikasi dan penanganan masalah gizi pada anak secara cepat dan akurat. Sistem ini memanfaatkan pengetahuan dari ahli gizi, dokter anak untuk memberikan saran berdasarkan gejala, data antropometri, dan faktor risiko lainnya. Metode yang digunakan dalam sistem pakar ini adalah metode Certainty Factor. Hasil dari penelitian ini adalah aplikasi sistem pakar untuk mendiagnosis stunting dan penyakit gizi buruk lainnya berbasis web. Hasil perhitungan pada penelitian ini dapat diketahui bahwa sistem pakar memiliki akurasi yang cukup tinggi dalam mencerminkan preferensi pakar, yaitu 90,91%.
Implementasi Metode Long Short Term Memory (LSTM) pada Chatbot Kesehatan Mental Mahasiswa Afrisia, Silviana Putri; Hana, Fida Maisa; Wahyudin, Widya Cholid
Sainteks Vol. 21 No. 2 (2024): Oktober
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v21i2.23869

Abstract

Berdasarkan survei I-NAMHS yang dilakukan pada tahun 2022, menunjukkan bahwa masalah kesehatan mental yang umum terjadi di kalangan remaja meliputi gangguan kecemasan, depresi, gangguan tingkah laku, serta gangguan stres pascatrauma (PTSD). Menanggapi isu yang kompleks ini diperlukan kesadaran akan pentingnya kesehatan mental, yaitu dengan mengembangkan dan mengimplementasikan metode Long Short Term Memory (LSTM) pada chatbot kesehatan mental yang ditujukan bagi mahasiswa. Chatbot ini dirancang untuk memberikan dukungan emosional dan solusi praktis bagi mahasiswa yang menghadapi berbagai masalah kesehatan mental. Untuk itu LSTM dipilih karena kemampuannya yang unggul dalam memahami dan memproses urutan data yang panjang, sehingga memungkinkan chatbot untuk mengingat konteks percakapan. Respons yang diterima pada saat melakukan uji coba chatbot kesehatan mental sangat baik dan relevan karena dipengaruhi tingginya akurasi pada pelatihan model. Hasil pelatihan model LSTM menunjukkan akurasi 98% dan loss sebesar 0,0614 dengan 50 epochs. Diharapkan dengan adanya penelitian mengenai implementasi metode LSTM pada chatbot ini dapat membantu penelitian berikutnya untuk mengembangkan lebih lanjut chatbot kesehatan mental dan menjangkau mahasiswa.
Pengembangan Model Deteksi Tumor Otak pada Magnetic Resonance Imaging Menggunakan Arsitektur YOLOv10 Ahadin, Akbar Ihsanul; Hana, Fida Maisa; Prihandono, Agung
Sainteks Vol. 21 No. 2 (2024): Oktober
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v21i2.23989

Abstract

Dengan meningkatnya kebutuhan akan diagnosis yang cepat dan akurat dalam bidang medis, model deteksi berbasis deep learning menawarkan solusi yang menjanjikan. Penelitian ini bertujuan untuk mengembangkan model deteksi tumor otak pada citra Magnetic Resonance Imaging (MRI) menggunakan arsitektur YOLOv10. YOLOv10 dipilih karena kemampuannya dalam melakukan deteksi objek secara real-time dengan tingkat akurasi yang tinggi. Dalam penelitian ini, dataset MRI otak yang terdiri dari 1003 gambar digunakan untuk melatih model. Proses pelatihan dilakukan dengan menggunakan berbagai jumlah epoch untuk mengidentifikasi parameter yang optimal. Hasil menunjukkan bahwa model YOLOv10 mampu mendeteksi tumor otak dengan tingkat presisi yang tinggi, dengan metrics precision sebesar 97,88%, recall 95,24%, dan mAP50 sebesar 95,84%.pada epoch 200. Model ini diharapkan dapat digunakan sebagai alat bantu bagi para profesional medis dalam mendeteksi tumor otak secara lebih efisien dan efektif, serta memberikan kontribusi signifikan dalam bidang diagnosa penyakit menggunakan teknologi berbasis kecerdasan buatan.
Deteksi Gestur Sistem Isyarat Bahasa Indonesia Menggunakan Metode Deep learning SSD MobileNet V2 FPNLite Adam, Nurul Tazkiyah; Tyas, Zahra Arwananing; Hardiani, Tikaridha
Sainteks Vol. 21 No. 2 (2024): Oktober
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v21i2.24006

Abstract

Penyandang disabilitas tunarungu memiliki keterbatasan pada indra pendengaran yang mengakibatkan hambatan dalam perkembangan bahasa sehingga memerlukan bimbingan dan pendidikan khusus. Penyandang disabilitas dengan usia 15 tahun ke atas sebagian besar baru mampu menyelesaikan pendidikan dengan tamatan SD berdasarkan data dari Badan Pusat Statistik. Tantangan lainnya yakni masih terdapat kesenjangan komunikasi antara tunarungu dan non-tunarungu karena tidak sedikit yang masih tidak mengerti bahasa isyarat. Seiring berkembangnya waktu, teknologi diadopsi untuk menyelesaikan permasalahan ini, salah satunya sistem deep learning yang mampu mendeteksi gestur SIBI (Sistem Isyarat Bahasa Indonesia). Penelitian ini menggunakan Arsitektur Model Pre-Trained SSD MobileNet V2 FPNLite dan Framework TensorFlow Object Detection untuk mendeteksi 15 gestur SIBI (Huruf Vokal A, I, U, E, O dan 10 kata yakni Baik, Bangku, Bel, Dia, Meja, Pramuka, Sakit, Saya, Teman, dan Tugas).  Penelitian ini melibatkan dataset berjumlah 15.000 gambar yang dibagi menjadi 80% data pelatihan, 10% data validasi, dan 10% data pengujian. Kumpulan data mencakup variasi sudut, kamera, warna, latar belakang, jenis kelamin, maupun usia. Model dilatih selama 40.000 steps dengan batch size 16. Hasil evaluasi menunjukkan bahwa model berhasil mendeteksi 15 gestur SIBI tersebut dengan nilai akurasi model mAP @ 0.5:0.05:0.95 sebesar 89,93% dan nilai loss sebesar 0.1434.
Model Berbasis Case Similarity dalam Penentuan Jenis Ikan Air Tawar Berdasarkan Kualitas Air dan Kondisi Wilayah Mustafidah, Hindayati; Mahmud, Annisa Kayla Azzira; Suwarsito, Suwarsito
Sainteks Vol. 21 No. 2 (2024): Oktober
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v21i2.24135

Abstract

Identifikasi jenis ikan air tawar berdasarkan kualitas air dan kondisi wilayah merupakan tantangan penting dalam pengelolaan sumber daya perikanan. Dalam penelitian ini, metodologi Case-Based Reasoning (CBR) digunakan untuk mengembangkan model untuk mengidentifikasi jenis ikan air tawar dengan menganalisis kemiripan kasus (case similarity). Model ini memanfaatkan data historis yang mencakup parameter kualitas air seperti pH, suhu, oksigen terlarut, kandungan ammonia, total padatan terlarut, serta faktor lingkungan seperti suhu udara dan ketinggian daratan. Setiap jenis ikan memiliki preferensi lingkungan spesifik, sehingga pendekatan berbasis kasus memungkinkan untuk membandingkan kondisi saat ini dengan kasus-kasus sebelumnya yang memiliki karakteristik serupa. Dengan menggunakan algoritma kemiripan berbasis metrik, model mengambil kasus terdekat dan menawarkan prediksi jenis ikan yang paling sesuai dengan parameter kualitas air dan kondisi wilayah. Hasil penelitian menunjukkan bahwa model berbasis case similarity dapat dijadikan dasar pengembangan sistem sebagai alat bantu dalam manajemen ekosistem perairan tawar.
Pemilihan Layanan Dompet Digital Berdasarkan Preferensi Gen Z Menggunakan Integrasi Metode SAW, MOORA, dan ORESTE Prabowo, Raihan Ary; Wildan, Dzanuar Auzi; Pungkasanti, Prind Triajeng
Sainteks Vol. 23 No. 1 (2026): April
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v23i1.29477

Abstract

Penetrasi ekonomi digital di era Revolusi Industri 4.0 telah mengubah perilaku transaksi Generasi Z menjadi sangat bergantung pada dompet digital, namun kompleksitas fitur sering kali menyulitkan pemilihan platform yang ideal. Penelitian ini bertujuan membangun Sistem Pendukung Keputusan (SPK) untuk pemilihan layanan dompet digital yang paling sesuai dengan preferensi pengguna. Kebaruan metodologis dalam penelitian ini terletak pada integrasi tiga metode pengambilan keputusan, yaitu Simple Additive Weighting (SAW), Multi-Objective Optimization on the Basis of Ratio Analysis (MOORA), dan ORESTE, untuk memberikan hasil evaluasi yang lebih objektif dan komprehensif. Data dikumpulkan melalui kuesioner dari 40 responden yang divalidasi dengan tingkat reliabilitas tinggi (Cronbach's Alpha 0,953). Hasil analisis menunjukkan kriteria keamanan menjadi prioritas utama dengan bobot 30%. Implementasi algoritma mengungkap bahwa metode SAW dan MOORA secara konsisten merekomendasikan Dana sebagai platform terbaik karena keunggulannya pada kriteria berbobot besar. Sebaliknya, metode ORESTE menetapkan OVO sebagai prioritas utama karena konsistensi peringkat yang lebih stabil di seluruh parameter. Kontribusi penelitian ini memberikan kerangka kerja analitis bagi akademisi dan praktisi dalam membandingkan efektivitas berbagai metode SPK, serta menjadi panduan strategis bagi industri teknologi finansial dalam memahami prioritas pengguna. Integrasi metode ini terbukti mampu meminimalkan subjektivitas dan memberikan rekomendasi yang lebih berimbang bagi konsumen digital. 
Klasifikasi Kinerja Penjualan Produk Nike Menggunakan Algoritma Random Forest dengan Pendekatan Hold-Out dan K-Fold Cross Validation Nisa, Divta Khoirun; Hana, Fida Maisa; Ulya, Saiful
Sainteks Vol. 23 No. 1 (2026): April
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v23i1.29930

Abstract

Dinamika industri ritel menuntut pemanfaatan data transaksi besar untuk pengambilan keputusan strategis. Penelitian ini bertujuan mengklasifikasi kinerja penjualan produk Nike ke dalam kategori rendah, sedang, dan tinggi menggunakan algoritma Random Forest. Penelitian ini memberikan kontribusi melalui pengujian model menggunakan dua pendekatan, yaitu Hold-Out dan K-Fold Cross Validation, untuk menjamin stabilitas performa. Dataset yang digunakan merupakan data sekunder dari Kaggle sebanyak 9.360 baris data transaksi Nike di Amerika Serikat periode 2020-2021. Tahapan penelitian meliputi preprocessing data melalui label encoding, pembagian data, pemodelan Random Forest, serta evaluasi menggunakan confusion matrix, hasil pengujian menunjukkan bahwa model memiliki performa yang sangat tinggi, dengan tingkat akurasi pada metode Hold-Out mencapai 98,13%. Sementara itu, pengujian menggunakan 10-Fold Cross Validation menghasilkan  akurasi tertinggi mencapai 94,39% pada fold ke-4. Secara keseluruhan, nilai weighted average precision, recall, dan F1-score mencapai 0,98 yang membuktikan efektivitas algoritma Random Forest dalam memberikan klasifikasi yang akurat. Temuan ini diharapkan dapat mendukung manajemen dalam pengambilan keputusan berbasis data di sektor ritel.
Klasifikasi Gangguan Tidur Menggunakan Algoritma XGBoost dengan SMOTE dan Grid Search Moh. Indra Kholid Khoirusshofi; Fida Maisa Hana; Taftazani Ghazi Pratama
Sainteks Vol. 23 No. 1 (2026): April
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v23i1.30171

Abstract

Gangguan tidur merupakan permasalahan kesehatan yang memiliki prevalensi tinggi dan berdampak signifikan terhadap kualitas hidup, sehingga diperlukan sistem deteksi dini yang akurat dan efisien. Perkembangan machine learning membuka peluang untuk membangun model klasifikasi gangguan tidur berbasis data, namun ketidakseimbangan kelas pada dataset medis sering menjadi tantangan yang menurunkan performa model, khususnya pada kelas minoritas. Penelitian ini bertujuan membangun model klasifikasi gangguan tidur menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) dan optimasi hiperparameter menggunakan Grid Search. Dataset yang digunakan adalah Sleep Health and Lifestyle Dataset yang terdiri dari 374 data dengan tiga kelas target, yaitu Insomnia, No Disorder, dan Sleep Apnea. Penelitian ini menguji empat skenario model, yaitu XGBoost tanpa SMOTE dan Grid Search, XGBoost dengan SMOTE, XGBoost dengan Grid Search, serta kombinasi SMOTE dan Grid Search. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, Confusion Matrix, serta ROC Curve. Hasil penelitian menunjukkan bahwa penerapan SMOTE meningkatkan sensitivitas model terhadap kelas minoritas, sedangkan optimasi hiperparameter menggunakan Grid Search meningkatkan stabilitas dan akurasi model secara keseluruhan. Kombinasi SMOTE dan Grid Search menghasilkan performa terbaik dengan akurasi mencapai 97% serta nilai precision, recall, dan F1-score yang seimbang pada seluruh kelas. Selain itu, evaluasi menggunakan ROC Curve menunjukkan nilai AUC pada rentang 0,99 hingga 1,00, yang mengindikasikan kemampuan model yang sangat baik dalam membedakan setiap kelas. Hasil ini menunjukkan bahwa pendekatan yang diusulkan mampu meningkatkan performa klasifikasi gangguan tidur dan berpotensi menjadi alternatif dalam pengembangan sistem deteksi dini gangguan tidur.
Effect of Ethanol Concentration and Extraction Time on Piperine Yield from Piper retrofractum Vahl. Fitriyano, Gema; Herfindo, Rudi Septian; Wati, Erna Kurnia
Sainteks Vol. 23 No. 1 (2026): April
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v23i1.30337

Abstract

Piperine, the primary bioactive compound in Piper retrofractum Vahl or Javanese long pepper, offers various pharmacological benefits, including anti-inflammatory, anticancer properties, and the enhancement of drug bioavailability. The need for efficient piperine extraction has grown as ongoing research emphasizes its potential as a key component in the pharmaceutical and nutraceutical industries. This study aims to evaluate the impact of ethanol concentration and maceration time on the yield of piperine from the plant Piper retrofractum Vahl, commonly known as Javanese long pepper. Piperine is the primary active compound responsible for the pharmacological properties and the pungent taste characteristic of the plant. An ethanol-based extraction method was chosen due to its perceived environmental friendliness and cost-effectiveness. In this study, extraction was carried out using various ethanol concentrations (75%, 80%, 85%, 90%, and 95%) and different maceration durations (14, 16, 18, 20 and 22 hours). The results showed that increasing ethanol concentration and extending maceration time significantly enhanced the piperine yield, with the optimal piperine concentration obtained using 95% ethanol and a maceration time of 20 hours. The extraction product from this operating condition yielded about 35.02%, with a piperine content of 3.245%. 

Page 25 of 26 | Total Record : 253

 22   23   24   25   26 

Filter by Year

2010 2026


Reset
Filter By Issues
All Issue Vol. 23 No. 1 (2026): April Vol. 21 No. 2 (2024): Oktober Vol 21, No 1 (2024): April Vol 20, No 2 (2023): Oktober Vol 20, No 1 (2023): April Vol 19, No 2 (2022): Oktober Vol 19, No 1 (2022): April Vol 18, No 2 (2021): Oktober Vol 18, No 1 (2021): April Vol 17, No 2 (2020): Oktober Vol 17, No 1 (2020): April Vol 16, No 2 (2019): Oktober Vol 16, No 1 (2019): April Vol 15, No 2 (2018): Oktober Vol 15, No 1 (2018): Maret Vol 14, No 2 (2017): SAINTEKS Vol 14, No 1 (2017): SAINTEKS Vol 13, No 2 (2016): SAINTEKS Vol 13, No 1 (2016): SAINTEKS Vol 12, No 2 (2015): SAINTEKS Vol 12, No 1 (2015): SAINTEKS Vol 11, No 2 (2014): SAINTEKS Vol 11, No 1 (2014): SAINTEKS Vol 10, No 2 (2013): SAINTEKS Vol 10, No 1 (2013): SAINTEKS Vol 9, No 2 (2012): SAINTEKS Vol 9, No 1 (2012): SAINTEKS Vol 8, No 2 (2011): SAINTEKS Vol 8, No 1 (2011): SAINTEKS Vol 7, No 2 (2010): SAINTEKS More Issue