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 pontianak,
Kalimantan barat
INDONESIA
Jurnal Edukasi dan Penelitian Informatika (JEPIN)
Published by Universitas Tanjungpura
ISSN : 24600741     EISSN : 25489364     DOI : -
Core Subject : Science, Education,
Computer Science & IT Education
Jurnal Edukasi dan Penelitian Informatika (JEPIN) merupakan peer reviewed journal di bidang informatika. Jurnal ini diterbitkan 3 bulan dalam setahun (April, Agustus, dan Desember) oleh Program Studi Informatika, Fakultas Teknik, Universitas Tanjungpura, Indonesia.
Arjuna Subject : -
Articles 522 Documents
 48   49   50   51   52 
Analisis Komparasi Metode Gaussian Naïve Bayes dan Bernoulli Naïve Bayes dalam Klasifikasi Pemilihan Program Peminatan Siswa SMA Binuryan, Podang; Satianingsih, Ni Made; Murwaningtyas, Chatarina Enny
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.89583

Abstract

Penerapan Kurikulum Merdeka memberikan fleksibilitas kepada siswa dalam memilih program peminatan sesuai minat, bakat, dan kemampuan, namun menimbulkan tantangan dalam pemberian arahan yang tepat. Penelitian ini bertujuan membandingkan performa Gaussian Naïve Bayes dan Bernoulli Naïve Bayes dalam merekomendasikan program peminatan siswa di SMAS Katolik Santo Yoseph Denpasar. Model klasifikasi dibangun berdasarkan parameter seperti nilai akademik, jenis kelamin, preferensi pribadi, rencana jurusan, dan pengaruh orang tua. Dataset terdiri dari 449 baris data yang mencakup variabel numerik dan kategorikal, dengan variabel target berupa kelas terpilih (program peminatan siswa). Gaussian Naïve Bayes digunakan untuk data numerik, sementara Bernoulli Naïve Bayes diterapkan pada data yang telah dibinerisasi. Hasil studi menunjukkan bahwa Gaussian Naïve Bayes menghasilkan akurasi tertinggi (99%) untuk data numerik, tetapi performanya menurun saat ditambahkan variabel kategorikal. Sebaliknya, Bernoulli Naïve Bayes menunjukkan kinerja lebih stabil dengan akurasi 97%. Analisis learning curve menunjukkan bahwa kedua model memiliki kemampuan generalisasi yang baik, dengan Bernoulli lebih adaptif terhadap atribut biner. Penelitian ini menegaskan pentingnya pemilihan model yang sesuai dengan karakteristik data untuk mendukung pengambilan keputusan berbasis data di lingkungan pendidikan.
Sistem Deteksi Hipertensi Berbasis Luas Sinyal Fotopletismogram Menggunakan K-Nearest Neighbor Nunqaf, Anjani Maulaya; Nuryani, Nuryani; Wiyono, Nanang
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.91145

Abstract

Hipertensi atau tekanan darah tinggi merupakan salah satu faktor risiko utama penyakit kardiovaskular yang sering tidak terdeteksi secara dini karena gejalanya yang minim. Pemantauan tekanan darah secara berkala sangat penting untuk pencegahan dan penanganan yang tepat. Dalam penelitian ini, dikembangkan sebuah sistem deteksi hipertensi non-invasif menggunakan sinyal fotopletismogram (PPG), yaitu sinyal optik yang merepresentasikan perubahan volume darah pada jaringan. Salah satu karakteristik penting dari sinyal PPG adalah luas sinyal. Luas sinyal tersebut dapat mencerminkan elastisitas pembuluh darah dan aliran darah yang mana berkaitan dengan kondisi tekanan darah. Oleh karena itu, luas sinyal PPG dimanfaatkan sebagai fitur utama dalam mendeteksi hipertensi. Untuk mengklasifikasikan kondisi hipertensi berdasarkan fitur luas sinyal, digunakan algoritma pembelajaran mesin K-Nearest Neighbor (KNN) yang sederhana namun efektif. Sistem yang dibangun dievaluasi menggunakan dua skenario pengujian berbeda. Hasil menunjukkan bahwa algoritma KNN mampu mendeteksi hipertensi secara akurat, dengan F1-Score sebesar 97,29% pada Trial-A dan 73,28% pada Trial-B. Temuan ini menunjukkan potensi besar sinyal PPG, khususnya fitur luas sinyal, sebagai indikator non-invasif dalam sistem pemantauan kesehatan cerdas yang efisien dan mudah diterapkan pada perangkat wearable.
Analisis Hasil Akuisisi Digital Forensic pada Perangkat Komunikasi Motorola Lex11 Hasanah, Nur Uswatun; Luthfi, Ahmad
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.90935

Abstract

Keamanan komunikasi dalam lingkungan militer memainkan peran krusial dalam melindungi kerahasiaan informasi strategis. Dalam konteks ini, ponsel menjadi alat utama untuk pertukaran informasi terutama untuk TNI, dengan Aplikasi WAVE Mobile Communicator yang menjadi salah satu platform komunikasi yang digunakan. Dengan pertumbuhan ancaman siber yang terus berkembang, penting untuk membandingkan keamanan aplikasi ini pada dua jenis perangkat yang umum digunakan: ponsel hybrid dan ponsel konvensional. Ponsel hybrid, seperti Motorola LEX L11a yang digunakan oleh Tentara Nasional Indonesia (TNI), memiliki kemampuan untuk menggunakan beberapa jenis teknologi komunikasi, sementara ponsel konvensional hanya terbatas pada satu jenis teknologi. Penelitian ini bertujuan untuk menganalisis dan membandingkan keamanan Aplikasi WAVE Mobile Communicator pada kedua jenis perangkat tersebut menggunakan pendekatan digital forensik. Melalui pendekatan digital forensik yang didasarkan pada prinsip-prinsip keamanan komunikasi militer dan standar industri, penelitian ini akan mengeksplorasi kelemahan potensial dan tingkat kerentanan pada aplikasi tersebut. Metodologi ini mencakup akuisisi data forensik dari kedua jenis perangkat, analisis struktur aplikasi, serta identifikasi dan evaluasi potensi kerentanan keamanan. Penelitian ini juga akan memperhatikan kendala teknis yang mungkin mempengaruhi keamanan aplikasi pada masing-masing jenis perangkat. Hasil dari penelitian ini diharapkan memberikan pemahaman yang lebih baik tentang perbandingan keamanan Aplikasi WAVE Mobile Communicator pada ponsel hybrid dan konvensional, serta mengidentifikasi area di mana satu jenis perangkat mungkin memiliki keunggulan keamanan dibandingkan dengan yang lain. Informasi ini akan bermanfaat dalam pengembangan strategi keamanan komunikasi militer yang lebih efektif dan responsif terhadap ancaman siber yang terus berkembang.
Identifikasi Donor Darah Berulang menggunakan Teknik Klasifikasi Machine Learning Yaqin, Moh. Ainol
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.91772

Abstract

Donor darah berulang memainkan peran vital dalam menjaga stabilitas ketersediaan darah dalam sistem kesehatan. Untuk itu, penting memahami pola dan karakteristik individu yang cenderung melakukan donor darah berulang. Proses identifikasi ini merupakan masalah klasifikasi, yaitu menentukan apakah seseorang termasuk kategori donor berulang atau tidak, berdasarkan data historis mereka. Dalam konteks ini, teknik klasifikasi menjadi pendekatan yang relevan karena mampu mengelompokkan individu berdasarkan fitur-fitur tertentu. Penelitian ini menerapkan berbagai algoritma machine learning untuk membangun model klasifikasi donor darah berulang, termasuk Logistic Regression, Support Vector Classifier (SVC), Random Forest, Decision Tree, dan Multi-Layer Perceptron (MLP). Hasil evaluasi menunjukkan bahwa SVC memberikan performa terbaik dengan akurasi 98%, precision 89%, recall 92%, dan f1-score 89%. Dengan demikian, model machine learning, khususnya SVC, terbukti efektif dalam mengklasifikasikan donor darah berulang dan dapat menjadi alat bantu strategis bagi lembaga donor darah dalam meningkatkan efisiensi rekrutmen dan retensi donor. Optimalisasi lanjutan seperti balancing data, pemilihan fitur, dan tuning hyperparameter direkomendasikan untuk meningkatkan performa model.
Assessment of IT Governance Capability Level Using the COBIT 2019 Framework: A Case Study of XYZ Institution Amry, Anshari; Wirani, Yekti; Sucahyo, Yudho Giri
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.95073

Abstract

XYZ Institution recognizes Information Technology (IT) as a strategic enabler essential for achieving organizational objectives and advancing its digital transformation objectives. IT governance plays a critical role in ensuring alignment between the utilization of IT and the achievement of strategic objectives. In today"™s digital era, the presence of structured, measurable, and strategically aligned IT governance has become essential to support both operations and business goal attainment. To address this issue, the study adopts an IT governance capability level assessment approach based on the COBIT 2019 framework. The methods used include Design Factors and Goals Cascade to identify the relevant Governance and Management Objectives (GMO) tailored to the organization"™s characteristics. Following this mapping, a capability level assessment is conducted using process activity parameters defined in COBIT 2019. The results indicate that most IT governance areas have achieved a satisfactory level of capability. Four processes (EDM02, APO12, DSS04, DSS06) achieved Capability Level 5, indicating optimized performance. Eleven processes (EDM04, APO02, APO03, APO04, APO05, APO08, BAI01, BAI02, BAI03, BAI08, BAI11) achieved Capability Level 4, reflecting established and managed practices. One process (BAI05) is currently at Level 3, highlighting an opportunity that can be further developed to align with higher-performing areas. This study contributes theoretically by providing a reference for future research on IT governance capability assessment using COBIT 2019, and practically by offering recommendations to enhance IT governance practices within financial institutions. Furthermore, this study provides example of targeted recommendations for enhancing IT governance in areas requiring improvement, with the aim of supporting the XYZ Institution strategic goals. This study contributes theoretically by providing a reference.
Prediksi Man-Hours Menggunakan Analisis Regression dan Cyclomatic Complexity Hersyaputra, Mohamad Syazimmi; Jaya, Muhammad Triyanda Taruna; Yuhana, Umi Laili; Alfian, Muhammad
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.89462

Abstract

Estimasi effort pengembangan perangkat lunak secara akurat merupakan kunci keberhasilan proyek untuk memastikan alokasi sumber daya yang efisien dan penyelesaian tepat waktu. Ketepatan dalam menghitung estimasi effort ini sangat krusial dalam proses pengembangan sistem perangkat lunak untuk mencapai keberhasilan dan mengurangi risiko, seperti risiko reputasi dari suatu organisasi. Metode konvensional seperti expert judgement sering kali kurang konsisten dan rawan kesalahan subjektif. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan pendekatan prediksi man-hours berbasis static code analysis, dengan fokus pada cyclomatic complexity sebagai fitur utama dalam pemodelan machine learning yang dapat diintegrasikan dalam proses rekayasa perangkat lunak untuk mendukung pengambilan keputusan yang lebih tepat dalam perencanaan proyek. Penelitian ini menggunakan data proyek perangkat lunak pada institusi perbankan. Tahapan preprocessing meliputi encode dengan teknik one hot encoding, data cleaning, dan data partitioning. Penelitian ini memanfaatkan cyclomatic complexity dari program perangkat lunak untuk memprediksi upaya dalam variabel man-hours menggunakan model Linear Regression, Lasso Regression, dan Ridge Regression. Evaluasi model dilakukan menggunakan metrik mean absolute percentage error (MAPE), mean absolute error (MAE), mean squared error (MSE), dan R-Squared guna menilai performa prediktif. Berdasarkan pengujian, model Lasso Regression menghasilkan peforma prediktif yang unggul dengan evaluasi menggunakan metrik MAPE 22.2731%, MAE 66.9679, MSE 8538.6359, dan R-Squared 0.98521. Temuan ini menunjukan bahwa pendekatan machine learning yang memanfaatkan analisis cyclomatic complexity mampu meningkatkan akurasi estimasi upaya dibandingkan metode konvensional.
Analisis Optimasi pada Algoritma Convolutional Neural Network untuk Klasifikasi Kanker Payudara Faridah, Nur
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.78864

Abstract

Kanker payudara merupakan kanker non-kulit yang biasa menyerang wanita. Kanker ini menjadi penyebab kematian kedua terbanyak di dunia. Diagnosis dini kanker payudara memiliki peran penting dalam proses pengobatan. Citra mamografi menjadi salah satu media dalam mendiagnosis kanker payudara dan mempunyai tingkat kesulitan yang cukup tinggi jika diinterpretasikan secara visual. Sehingga diperlukan proses diagnosis secara komputasi dengan menggunakan deep learning. Penelitian ini akan menganalisis algoritma optimasi pada Conventional Neural Network (CNN) untuk mengklasifikasikan kanker payudara menjadi tiga kelas (benign, malignant, dan normal), dengan teknik deep transfer learning dan menggunakan arsitektur CNN yaitu VGG-16. Dataset yang digunakan berasal dari database citra Mammographic Image Analysis Society (MIAS). Penelitian ini membandingkan delapan algoritma optimasi pada model yang telah diusulkan untuk mengetahui algoritma optimasi mana yang bekerja paling baik untuk klasifikasi kanker payudara menggunakan teknik deep learning. Delapan algoritma tersebut diantaranya Adam, Adadelta, Adagrad, Adamax, Ftrl, Nadam, RMSprop, dan SGD. Model telah diuji dengan berbagai hyperparameter, pengujian hyperparameter tersebut menggunakan tiga skenario yaitu pemilihan batch size, learning rate, dan epoch terbaik dari masing-masing optimizer. Dari pengujian tersebut didapatkan hyperparameter terbaik pada model VGG-16, yaitu menggunakan batch size 64, learning rate 0.01, epoch 100 dan optimasi RMSprop menghasilkan nilai akurasi sebesar 0.9602.
Model Penilaian Jawaban Esai Berbasis Semantic Understanding Menggunakan LLaMa dan Text Similarity Nasirin, Rahmad Khoirun; indahsari, rina dewi
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.92529

Abstract

Teknologi kecerdasan buatan saat ini telah membuka peluang baru dalam dunia Pendidikan, khususnya untuk mengatasi permasalahan dalam penilaian soal esai yang membutuhkan waktu cukup lama dan sumber daya yang terbatas untuk melakukan penilaian. Pada penelitian ini bertujuan mengembangkan sistem penilaian soal esai menggunakan tiga kombinasi teknologi kecerdasan buatan yaitu semantic similarity dengan SentenceTransformer, cosine similarity dengan TF-IDF dan model LLaMa 3.1. Dimana sistem akan dikembangkan menggunakan dua platform utama yang akan terhubung melalui API, Framework Laravel sebagai backend utama dan Framework Flask sebagai backend analisis jawaban. Pada penelitian ini pengujian keakuratan sistem diuji menggunakan aplikasi postman dengan empat skenario yaitu pengujian jawaban sinonim, pengujian jawaban benar beda kalimat, pengujian jawaban salah dan pengujian jawaban benar, dari empat skenario tersebut diuji dengan variasi pembobotan untuk semantic similarity dan cosine similarity yaitu (50%+50%, 70%+30% dan 90%+10%). Dari hasil pengujian terdapat keempat skenario bobot yang paling efektif digunakan adalah 90% untuk semantic similarity dan 10% untuk cosine similarity yang mana sistem lebih mengutamakan kebenaran makna jawaban meskipun menggunakan kata-kata yang berbeda. Sistem juga dilengkapi dengan analisis kualitatif untuk feedback analisis perbaikan menggunakan model LLaMa melalui API Grog. Penelitian ini berhasil mengimplementasikan sistem penilaian otomatis soal esai pada platform pembelajaran online yang mana sistem dapat mengenali jawaban dengan makna yang sama meskipun menggunakan kata atau kalimat berbeda.
Analisis Efektifitas Feature Selection dalam Pengkayaan Machine Learning untuk Deteksi Dini Risiko Putus Kuliah Mahasiswa Umar, Umar; Ghozali, Isnen Hadi Al; Handoko, Andy Rio
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.90362

Abstract

Putus kuliah (dropout/ DO) mahasiswa merupakan masalah signifikan dalam pendidikan tinggi yang berdampak negatif pada institusi dan individu. Penelitian ini bertujuan mengevaluasi efektivitas metode feature selection dalam meningkatkan performa algoritma klasifikasi machine learning untuk memprediksi potensi mahasiswa putus kuliah. Penelitian ini berkontribusi dalam membantu otoritas perguruan tinggi dan pemangku kepentingan dalam memitigasi potensi putus kuliah mahasiswa. Penelitian ini menggunakan pendekatan Team Data Science Process (TDSP), meliputi pendefinisian tujuan, pengumpulan data, pemodelan, evaluasi, dan deployment. Dataset yang digunakan diperoleh dari data akademik Universitas Al Azhar Indonesia (UAI) periode 2015-2016 yang terdiri dari 1783 observasi dengan 13 fitur. Penelitian ini membandingkan metode feature selection seperti Optuna, Chi-squared, dan Sequential Feature Selector pada algoritma populer seperti Decision Tree, Random Forest, Naïve Bayes, dan XGBoost. Hasil evaluasi menunjukkan bahwa XGBoost dengan Selected Sequential Factor (SFS) adalah model yang paling direkomendasikan dengan akurasi 0,9565 dengan nilai precision, recall, dan f1-score yang konsisten di 0,96.
Perbandingan Kinerja Model Deep Learning BERT dan GPT dalam Analisis Sentimen Komentar Ashari, Purnama; Mutiah, Nurul; Prawira, Dian
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.90122

Abstract

Perbandingan kinerja model deep learning berbasis transformers, yaitu BERT dan GPT dalam analisis sentimen komentar video YouTube, merupakan tujuan dari penelitian ini. Kedua model memiliki pendekatan arsitektur yang berbeda: BERT bersifat bidirectional dengan hanya menggunakan bagian encoder dari transformers, sementara GPT bersifat unidirectional dengan hanya menggunakan bagian decoder. Studi ini memanfaatkan komentar warganet terkait film dokumenter Dirty Vote pada platform YouTube, yang ramai diperbincangkan sejak perilisannya pada awal tahun 2024, sebagai sumber data utama dengan total 25.980 data komentar warganet. Komposisi pembagian dataset adalah sebesar 70% untuk data latih, dan masing-masing 15% untuk data validasi dan data uji. Pada penelitian ini, kedua model dikembangkan dalam dua skenario dengan konfigurasi hiperparameter yang berbeda untuk masing-masing skenario kedua model. Hasil analisis confusion matrix menunjukkan bahwa, pada data latih kinerja BERT lebih unggul dengan akurasi tertinggi sebesar 99,94% dibandingkan akurasi tertinggi GPT sebesar 98,01%. Sementara itu, pada data validasi dan data uji, BERT juga menunjukkan kinerja yang lebih baik dengan nilai tertinggi pada akurasi validasi sebesar 79,21% dan akurasi uji sebesar 79,36%, sementara GPT memperoleh nilai tertinggi pada akurasi validasi sebesar 75,26% dan akurasi uji sebesar 75,59%. Berdasarkan confusion matrix juga menunjukkan bahwa BERT lebih unggul dalam menganalisis komentar bersentimen netral. Sementara GPT, terutama pada skenario 2, lebih efektif dalam memprediksi komentar dengan sentimen positif. Pada evaluasi model dengan data uji, model GPT memiliki tingkat kesalahan (loss) yang lebih kecil, dengan nilai loss terendah sebesar 0,79 dibandingkan nilai loss terendah BERT sebesar 0,99.

Page 50 of 53 | Total Record : 522

 48   49   50   51   52 

Filter by Year

2015 2025


Reset
Filter By Issues
All Issue Vol 11, No 3 (2025): Volume 11 No 3 Vol 11, No 2 (2025): Volume 11 No 2 Vol 11, No 1 (2025): Volume 11 No 1 Vol 10, No 3 (2024): Volume 10 No 3 Vol 10, No 2 (2024): Volume 10 No 2 Vol 10, No 1 (2024): Volume 10 No 1 Vol 9, No 3 (2023): Volume 9 No 3 Vol 9, No 2 (2023): Volume 9 No 2 Vol 9, No 1 (2023): Volume 9 No 1 Vol 8, No 3 (2022): Volume 8 No 3 Vol 8, No 2 (2022): Volume 8 No 2 Vol 8, No 1 (2022): Volume 8 No 1 Vol 7, No 3 (2021): Volume 7 No 3 Vol 7, No 2 (2021): Volume 7 No 2 Vol 7, No 1 (2021): Volume 7 No 1 Vol 6, No 3 (2020): Volume 6 No 3 Vol 6, No 2 (2020): Volume 6 No 2 Vol 6, No 1 (2020): Volume 6 No 1 Vol 5, No 3 (2019): Volume 5 No 3 Vol 5, No 2 (2019): Volume 5 No 2 Vol 5, No 1 (2019): Volume 5 No 1 Vol 5, No 1 (2019): Volume 5 No 1 Vol 4, No 2 (2018): Volume 4 No 2 Vol 4, No 2 (2018): Volume 4 No 2 Vol 4, No 1 (2018): Volume 4 No 1 Vol 4, No 1 (2018): Volume 4 No 1 Vol 3, No 2 (2017): Volume 3 No 2 Vol 3, No 2 (2017): Volume 3 No 2 Vol 3, No 1 (2017): Volume 3 No 1 Vol 3, No 1 (2017): Volume 3 No 1 Vol 2, No 2 (2016): Volume 2 No 2 Vol 2, No 2 (2016): Volume 2 No 2 Vol 2, No 1 (2016): Volume 2 No 1 Vol 2, No 1 (2016): Volume 2 No 1 Vol 1, No 2 (2015): Volume 1, No 2 Vol 1, No 2 (2015): Volume 1, No 2 Vol 1, No 1 (2015): Edisi Perdana Vol 1, No 1 (2015): Edisi Perdana More Issue