cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Fajril Akbar
Contact Email
ijab@fti.unand.ac.id
Phone
+627517770
Journal Mail Official
teknosi@fti.unand.ac.id
Editorial Address
Jurusan Sistem Informasi, Fakultas Teknologi Informasi Universitas Andalas Kampus Limau Manis, Padang 25163, Sumatera Barat
Location
Kota padang,
Sumatera barat
INDONESIA
Jurnas Nasional Teknologi dan Sistem Informasi
Published by Universitas Andalas
ISSN : 24768812     EISSN : 24603465     DOI : https://dx.doi.org/10.25077/TEKNOSI
Core Subject : Science,
Computer Science & IT Decision Sciences, Operations Research & Management
Jurnal ini menerbitkan artikel penelitian (research article), artikel telaah/studi literatur (review article/literature review), laporan kasus (case report) dan artikel konsep atau kebijakan (concept/policy article), di semua bidang : Geographical Information System, Enterpise Application, Bussiness Intelligence, Data Warehouse, Network Computer Security, Data Mining, Computer Architecture Design, Mobile Computing, Computing Theory, Embedded system, Decision Support System
Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi
Articles 7 Documents
 1 
Search results for , issue "Vol 10 No 2 (2024): Agustus 2024" : 7 Documents clear
Komparasi Algoritma Naive Bayes dan Gradient Boosting untuk Prediksi Pasien Diabetes Sari, Nova Christina; Linda Larasati, Triana
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 2 (2024): Agustus 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i2.2024.118-125

Abstract

Diabetes mellitus diperkirakan semakin meningkat seiring bertambahnya usia penduduk dari 19,9%, menjadi 111,2 juta orang diusia 65-79 tahun, diprediksikan bahwa penderita diabetes akan terus meningkat hingga 578 juta orang pada tahun 2030 kemudian 700 juta ditahun 2045. Machine learning atau pembelajaran mesin merupakan salah satu kecerdasan buatan yang bertujuan untuk memahami atau mengenali suatu struktur suatu data dan mengonversi data tersebut kedalam suatu model. Penggunaan Machine learning dalam dunia kesehatan semakin pesat, semakin banyak peneliti kesehatan menggunakan algoritma machine learning untuk penelitiannya. Sebagian algoritma machine learning dapat digunakan untuk melakukan prediksi, salah satunya adalah algoritma klasifikasi untuk prediksi penyakit diabetes. Berdasarkan hasil komparasi dari beberapa algoritma yang digunakan, algoritma klasifikasi naive bayes dan gradient boosting memiliki nilai yang terbaik dari algoritma lainnya. Algoritma gradient boosting memiliki hasil yang tinggi terhadap nilai accuracy 77.09% dan f-measure  83.39% pada sampel linear. Naive bayes menghasilkan nilai yang terbaik terhadap pengujian sampel acak, dengan nilai accuracy 76.57% dan nilai f-measure 82.82%. Hasil pengujian sampel berlapis (stratified) yang memiliki nilai pada akurasi tertinggi terdapat pada algoritma gradient boosting dengan nilai accuracy 77.34% dan f-measure 83.39%.
Dynamic Time Warping Pada Metode K-Means Untuk Pengelompokan Data Trend Penjualan Produk Wijaya, Fairizal Aaron Wahyu Tanamas Satria; Prasetyo, Eko; Tias, Rahmawati Febrifyaning
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 2 (2024): Agustus 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i2.2024.100-109

Abstract

Pasar swalayan menghasilkan transaksi penjualan dengan pelanggan dengan laju pertumbuhan data tinggi. Data transaksi sejumlah barang memiliki pola berbeda, ada yang tinggi dan ada yang rendah. Perbedaan ini mengakibatkan pola penjualan antar satu produk dengan produk lainnya berbeda. Pola ini juga mengakibatkan pengelolaan stok dan promosi juga berbeda. Maka, untuk memudahkan pengelolaan barang, perlu dilakukan pengelompokan trend penjualan otomatis menggunakan K-Means. Namun, metode perhitungan jarak (dissimilarity) standar tidak tepat digunakan pada data periodik. Penelitian ini bereksperimen mengelompokkan data periodic trend penjualan produk menggunakan metode K-Means dan DTW (Dynamic Time Warping) untuk perhitungan jarak. DTW melakukan perhitungan jarak dengan memperhatikan data histori periode sebelum dan setelah data yang sedang dihitung. Pelibatan data disekitarnya akan membentuk jarak sesuai dengan pola data periodik. Hasil pengelompokan data tahun 2021, Cluster 1 dengan 417 data memiliki pola naik dari awal tahun kemudian menurun, selanjutnya perlahan naik kembali di pertengahan hingga akhir tahun. Cluster 2 dengan 2403 data memiliki pola stabil di awal tahun, ketika di pertengahan tahun mulai naik, kemudian di akhir tahun turun namun kembali naik. Cluster 3 dengan 289 data memiliki pola menurun saat awal tahun, namun terlihat stabil hingga akhir tahun. Hasil ekeperimen pengelompokan trend penjualan menggunakan metode K-Means dengan jarak DTW menunjukkan hasil yang baik dan memiliki pola data dalam kelompok yang sesuai karakteristik alami. Hal ini didukung oleh validitas Davies-Bouldin index -1.215 dimana nilai yang semakin kecil mendekati nol menunjukkan kualitas cluster yang dicapai baik.
Prediksi Kebakaran Hutan Berdasarkan Titik Panas dan Iklim Menggunakan Algoritma Random Forest Firmansyah, Aditya; Syahidin, Muhammad Farhan; Triana, Yaya Sudarya
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 2 (2024): Agustus 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i2.2024.145-155

Abstract

Kebakaran hutan dan lahan semakin sering terjadi, menyebabkan dampak lingkungan yang menyebar ke luar wilayah kebakaran. Permasalahan yang terjadi salah satunya karena musim kemarau yang panjang di wilayah Kabupaten Ogan Komering Ilir Provinsi Sumatra Selatan yang menjadi faktor utama dalam meningkatnya risiko kebakaran, sebanyak 1.111 titik kebakaran tercatat pada tahun 2023. Permasalahan lainnya juga pada titik panas yang salah mendeteksi kebakaran yang seharusnya tidak kebakaran dan kasus tidak kebakaran yang seharusnya kebakaran, hal tersebut menyebabkan kerugian lingkungan maupun kerugian dana. Oleh karena itu, dibutuhkan model klasifikasi untuk memprediksi kasus kebakaran. Penelitian ini menggunakan gabungan data titik panas dan data iklim sebanyak 4343 data menggunakan metode Random Forest. Proses yang dilakukan yaitu studi literatur dan tahapan prediksi yang terdiri dari web scraping, data pre-processing, splitting data, pemodelan, dan evaluasi. Hasil penelitian berupa laporan klasifikasi, confusion matrix, dan feature importance. Hasil pengujian menunjukkan tingkat akurasi model yang baik sebesar 85.8% yang menunjukkan model menghitung seberapa tepat kinerja yang dilakukan model. Dengan penerapan model menggunakan metode Random Forest, model prediksi ini mengidentifikasi kasus kebakaran sangat baik sehingga informasi ini dapat digunakan untuk keputusan manajemen penanggulangan kebakaran dengan tepat dan meminimalisir terjadinya kerugian.
Perancangan Website Sistem Pusat Akses Program Kerja dan Kegiatan Mahasiswa (SPARKS) menggunakan Metode GDD (Goals Directed Design) Suyanto, Tri Lathif Mardi; Fatha, Mafda Khoirotul; Sari, Rahayu Kartika; Syahputra, Maulana Bryan; Ahsana, Syauqillah Hadie
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 2 (2024): Agustus 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i2.2024.137-144

Abstract

Penelitian ini bertujuan untuk mengembangkan aplikasi SPARKS (Sistem Pusat Akses Program Kerja dan Kegiatan Mahasiswa) sebagai solusi strategis untuk mengatasi kendala penyebaran informasi, kekurangan dan kendala pada sistem Satuan Kredit Poin Mahasiswa (SKPM), serta inefisiensi pengelolaan kegiatan ormawa di Universitas UPN Veteran Jawa Timur. Dengan menggunakan metode Goals Directed Design (GDD), penelitian ini melibatkan tahapan research, modeling, requirement, framework, refinement, dan support dalam perancangan antarmuka aplikasi. Hasil penelitian menunjukkan bahwa keterbatasan akses informasi dan ketidakjelasan kategori SKPM merupakan masalah utama yang dihadapi. Pengembangan aplikasi SPARKS diharapkan dapat memberikan dampak positif terhadap pengelolaan kegiatan ormawa, memfasilitasi penyebaran informasi, dan meningkatkan efisiensi proses klaim SKPM. Hasil pengujian menunjukkan bahwa desain antarmuka SPARKS telah memenuhi kebutuhan pengguna dengan tampilan yang menarik, mudah digunakan, dan relevan dengan kebutuhan mahasiswa dengan skor SUS sebesar 80,3%.
Perbandingan Algoritma Support Vector Machine, Decision Tree, dan Logistic Regresion Pada Analisis Sentimen Ulasan Aplikasi Netflix Ramadani, Nevita Cahaya; Tahyudin, Imam; Shouni Barkah, Azhari
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 2 (2024): Agustus 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i2.2024.110-117

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen terhadap ulasan pengguna Netflix menggunakan algoritma machine learning seperti Support Vector Machine (SVM), Decision Tree dan Logistic Regression. Dataset yang terdiri dari 3000 ulasan pengguna diambil dari Google Play Store dan melalui proses preprocessing teks yang mencakup penghapusan karakter, tokenisasi, penghapusan stopword, stemming, serta penyaringan token pendek. Metode TF-IDF digunakan untuk ekstraksi dan pembobotan fitur dalam analisis. Evaluasi hasil menunjukkan bahwa SVM secara konsisten memberikan akurasi yang lebih tinggi dibandingkan Decision Tree dan Logistic Regression dalam klasifikasi sentimen, dengan SVM mencapai akurasi rata-rata 88.18% dan puncak tertinggi 92.69% dalam K-Fold Cross Validation. Implikasi praktis dari penelitian ini adalah Netflix dapat memanfaatkan analisis sentimen untuk meningkatkan pengalaman pengguna dan pengelolaan layanan lebih baik.
Komparasi Algoritma Naive Bayes dan Gradient Boosting untuk Prediksi Pasien Diabetes Nova Christina Sari; Triana Linda Larasati
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 2 (2024): Agustus 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i2.2024.118-125

Abstract

Diabetes mellitus diperkirakan semakin meningkat seiring bertambahnya usia penduduk dari 19,9%, menjadi 111,2 juta orang diusia 65-79 tahun, diprediksikan bahwa penderita diabetes akan terus meningkat hingga 578 juta orang pada tahun 2030 kemudian 700 juta ditahun 2045. Machine learning atau pembelajaran mesin merupakan salah satu kecerdasan buatan yang bertujuan untuk memahami atau mengenali suatu struktur suatu data dan mengonversi data tersebut kedalam suatu model. Penggunaan Machine learning dalam dunia kesehatan semakin pesat, semakin banyak peneliti kesehatan menggunakan algoritma machine learning untuk penelitiannya. Sebagian algoritma machine learning dapat digunakan untuk melakukan prediksi, salah satunya adalah algoritma klasifikasi untuk prediksi penyakit diabetes. Berdasarkan hasil komparasi dari beberapa algoritma yang digunakan, algoritma klasifikasi naive bayes dan gradient boosting memiliki nilai yang terbaik dari algoritma lainnya. Algoritma gradient boosting memiliki hasil yang tinggi terhadap nilai accuracy 77.09% dan f-measure  83.39% pada sampel linear. Naive bayes menghasilkan nilai yang terbaik terhadap pengujian sampel acak, dengan nilai accuracy 76.57% dan nilai f-measure 82.82%. Hasil pengujian sampel berlapis (stratified) yang memiliki nilai pada akurasi tertinggi terdapat pada algoritma gradient boosting dengan nilai accuracy 77.34% dan f-measure 83.39%.
Pengembangan E-Supervisi Keselamatan Pasien (SI ATAN) berbasis Web dan Android Rahmadani, Apriando; Arif, Yulastri; Ferdian, Rian
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 2 (2024): Agustus 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i2.2024.126-136

Abstract

Rumah sakit bertanggung jawab atas terlaksananya sasaran keselamatan pasien yang merupakan salah satu indikator mutu rumah sakit, penerapan sasaran keselamatan pasien diperlukan supervisi rutin dilakukan dapat mencapai implementasi sasaran keselamatan yang lebih optimal. Dalam hal tersebut, penulis melakukan pengembangan e-supervisi keselamatan pasien (SI ATAN) berbasis web dan android di rumah sakit. Penelitian ini bertujuan merancang e-supervisi keselamatan pasien (SI ATAN) berbasis web dan android di rumah sakit. Metode penelitian yang digunakan adalah metode waterfall merupakan suatu metode (System Development Life Cycle), tahap waterfall dibagi menjadi 3 tahapan, yaitu, tahap awal, tahap design, tahap implementasi logika pemrograman dan testing. Dalam melakukan penelitian, penulis menggunakan data primer (kuesioner) dan data sekunder di rumah sakit. Sampel pada tahap analisis masalah 42 perawat dan 15 supervisor. Hasil yang didapatkan dalam penelitian aplikasi SI ATAN berhasil dirancang sesuai kebutuhan di rumah sakit.

Page 1 of 1 | Total Record : 7

 1 

Filter by Year

2024 2024


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