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 14 Documents
 1   2 
Search results for , issue "Vol 11 No 2 (2025): Agustus 2025" : 14 Documents clear
Perancangan Enterprise Architecture Menggunakan TOGAF Standar 9.2 Pada Organisasi BEM KM FTI Universitas Andalas Adi Arga Arifnur; Nurhalimah Nurhalimah; Camila Faiza
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.192-199

Abstract

BEM KM FTI merupakan lembaga organisasi mahasiswa intra kampus yang berfungsi sebagai lembaga eksekutif tertinggi dalam lingkup Negara Bagian KM FTI. Saat ini penerapan sistem enterprise yang ada pada BEM KM FTI belum terlaksana dengan baik. Organisasi masih memanfaatkan sistem third-party yang terpisah pisah. Hal ini menyebabkan proses kerja dan pertukaran data serta informasi di dalam organisasi menjadi tidak maksimal. Oleh karena itu, diperlukan adanya perancangan sistem enterprise pada BEM KM FTI guna memperjelas proses kerja BEM KM FTI dan juga proses pertukaran informasi serta penyimpanan data yang efektif dan efisien. Perencanaan arsitektur enterprise ini dibuat menggunakan TOGAF (The Open Group of Architecture Framework) versi 9.2. Perencanaan enterprise ini menghasilkan sistem pendukung kerja utama dari BEM KM FTI. Berdasarkan hasil analisis dan perancangan enterprise architecture sistem informasi BEM KM FTI ini maka dapat disimpulkan bahwa proses bisnis pada BEM KM FTI Unand diketahui belum menerapkan sistem informasi yang terstruktur dan menyeluruh untuk mencapai efektivitas kinerjanya. Sehingga dengan perancangan arsitektur enterprise ini dapat membantu permasalahan yang dialami oleh  BEM KM FTI Unand itu sendiri untuk mencapai efektivitas kinerjanya dengan berbagai fase-fase perancangan enterprise architecture ini.
Rancangan Sistem Rekomendasi Topik Tugas Akhir dengan Naive Bayes Classifier (Studi Kasus Departemen Sistem Informasi, Universitas Andalas) Hanif Izza Pratama; Siti Nur Aisah; Fajril Akbar
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.200-206

Abstract

Tugas akhir merupakan salah satu syarat yang harus dipenuhi oleh mahasiswa untuk menyelesaikan pendidikan di perguruan tinggi. Namun, seringkali mahasiswa mengalami kesulitan dalam menentukan topik yang sesuai. Oleh sebab itu, dilakukan pembangunan sebuah sistem web classification yang menjadi solusi efektif. Dalam penelitian ini digunakan metode klasifikasi Naive Bayes Classifier dalam pengembangan sistem web classification untuk mengklasifikasikan judul tugas akhir mahasiswa Departemen Sistem Informasi Universitas Andalas, data yang digunakan diperoleh dari nilai mata kuliah Struktur Data Algoritma (SDA), Sistem Informasi Geografis (SIG), Pemrograman Teknologi Bergerak (PTB), Pemrograman Web (PWeb), Sistem Informasi Manajemen (SIM), Enterprise Resource Planning (ERP), Business Intelligence (BI), dan Machine Learning (ML). Data diolah dengan membangun aplikasi yang menerapkan algoritma Naïve Bayes menggunakan Python. Hasil keluaran sistem memiliki akurasi 83%. Hasil pengujian yang dilakukan dengan perbandingan data latih 80% dan data uji 20% menyatakan algoritma Naïve Bayes memiliki performa dengan hasil Acuracy, Recall, Precision, F1-score dengan nilai 83%, 185%, 84% dan 84%. Penelitian ini dapat memberikan rekomendasi untuk judul tugas akhir bagi mahasiswa.
Analisis Metode SAW Pada Perangkingan Hasil Clustering K-Means Data Evaluasi Kemampuan Dasar Pemrograman Mahasiswa Made Pasek Agus Ariawan; Ida Bagus Adisimakrisna Peling; Gde Brahupadhya Subiksa
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.178-184

Abstract

     Di era digital, volume data yang dihasilkan terus meningkat dengan cepat, sehingga kebutuhan akan metode efektif untuk menganalisis dan menemukan pola dalam data menjadi sangat penting. Salah satu teknik yang sering digunakan untuk mengelompokkan data adalah clustering, khususnya metode K-Means. Namun, K-Means memiliki kelemahan dalam pelabelan cluster karena sifatnya yang unsupervised, yang membuat interpretasi hasil menjadi lebih sulit. Untuk mengatasi kelemahan ini, penelitian ini menggabungkan metode Simple Additive Weighting (SAW) dengan K-Means, di mana SAW digunakan untuk menilai hasil pengelompokan yang dihasilkan K-Means dan memberikan bobot pada berbagai kriteria evaluasi. Penelitian ini dilakukan dalam konteks Program Studi D4 Teknologi Rekayasa Perangkat Lunak guna mengevaluasi kemampuan dasar pemrograman mahasiswa. Dengan menggunakan kombinasi kedua metode ini, diharapkan pengelompokan data menjadi lebih akurat dan optimal, serta dapat membantu proses penilaian hasil clustering secara lebih informatif. Hasil penelitian ini menunjukkan bahwa integrasi SAW dapat meningkatkan kualitas pengelompokan dengan membantu menentukan centroid yang lebih tepat dan menilai hasil pengelompokan secara lebih mendalam
Improving Coronary Heart Disease Detection Using K-Means Clustering Techniques Junaidy Sanger; Liza Wikarsa; Angelica Taulu
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.107-117

Abstract

The heart is a crucial organ in the cardiovascular system, playing a key role in blood circulation and supplying oxygen and nutrients to the body. Cardiovascular diseases, particularly coronary heart disease (CHD), are the leading cause of death worldwide. In Indonesia, especially in North Sulawesi, the high prevalence of CHD is indicative of the effects of an unhealthy lifestyle. This study employs the K-Means clustering method to identify the early risk of CHD based on eight common symptoms, including chest pain, nausea, shortness of breath, heartburn, a history of hypertension, obesity, diabetes, and genetics. This innovative approach integrates these early warning signs and categorizes the risk into three groups: low CHD risk (C1), moderate CHD risk (C2), and high CHD risk (C3). The detection results are provided based on responses collected through a questionnaire within an application, aiming to raise awareness of CHD and encourage users to seek further health evaluations and adopt healthier lifestyles.
Optimasi LDA untuk Analisis Keluhan Nasabah Perbankan dengan Grid Search: Grid Search Parameter Tuning Rika Afriyani; Eka Angga Laksana
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.98-106

Abstract

This study aims to analyze topics in banking customer complaint data using the Latent Dirichlet Allocation (LDA) method, enhanced with parameter tuning via Grid Search. The dataset is sourced from ConsumerFinance.gov, containing a total of 6.3 million complaint entries from 2011 to 2024, with 50% of the data used to maintain representation and simplify analysis. In this analysis, the LDA method is employed to identify hidden topics, while Grid Search enhances model coherence. The results indicate that customer complaints can be categorized into 10 main topics, including complaint report issues (25.67%), payment errors (18.10%), data authorization (12.20%), and credit policy (10.77%). Parameter optimization successfully improved the model's coherence score from 0.49 to 0.56, reflecting an enhancement in topic clustering quality. A comparison between standard LDA and LDA with Grid Search reveals that the optimization method yields a higher average coherence score (0.52 vs. 0.42). This study provides insights into common complaints received by banks and key terms such as "report," "authorization," and "investigation," which can assist banks in better understanding and addressing customer complaints more effectively.
Kajian Performa Efisiensi Infrastruktur Big Data Hemat Energi Menggunakan Single Board Computer dan Framework Apache Spark Syahel Rusfi Razaba; Muhaza Liebenlito; Taufik Edy Sutanto
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.152-160

Abstract

Meningkatnya kebutuhan komputasi untuk pemrosesan big data dan pelatihan model AI modern berdampak signifikan terhadap konsumsi energi komputasi global. Penelitian ini mengkaji efisiensi energi dan performa klaster Single Board Computer (SBC) dalam menjalankan beberapa algoritma machine learning menggunakan Apache Spark, sebagai alternatif ramah lingkungan terhadap infrastruktur komputasi konvensional. Tiga algoritma digunakan dalam eksperimen ini, yaitu Multi-Layer Perceptron (MLP), Regresi Logistik, dan Random Forest, yang dijalankan secara terdistribusi pada klaster SBC. Evaluasi dilakukan terhadap dua metrik utama, yaitu waktu eksekusi dan konsumsi energi, dengan tiga skenario ukuran dataset dan lima variasi jumlah inti (core). Hasil menunjukkan bahwa klaster SBC mampu mencapai percepatan waktu pelatihan hingga 59.7% pada algoritma Multi-Layer Perceptron dan hingga 49.3% pada Random Forest saat menangani data berukuran besar. Konsumsi daya listrik juga tetap rendah dan stabil, yakni sekitar 11.4 watt untuk konfigurasi satu core dan 12.6 watt untuk konfigurasi multi-core. Temuan ini menegaskan bahwa penggunaan klaster SBC berdaya rendah merupakan pendekatan potensial untuk mendukung komputasi hemat energi dan inisiatif Green AI.
Implementasi Machine Learning dalam Sistem Prediksi dan Rekomendasi Program Diet Terintegrasi LLM Endah Septa Sintiya; Sely Ruli Amanda; Candra Bella Vista; Agung Nugroho Pramudhita
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.144-151

Abstract

Malnutrition, both in the form of overweight and underweight, remains a global health challenge. Unhealthy urban lifestyles and limited access to appropriate nutritional interventions exacerbate this problem. Technology-based approaches such as machine learning and Large Language Models (LLM) offer opportunities to improve the effectiveness of dietary management. This study proposes the development of a machine learning-based and LLM-integrated diet program prediction and recommendation system applied to Cafe NUT Castle. The system was developed to digitize body composition data recording, predict diet programs (weight loss, weight gain, and body fat loss) using the Random Forest algorithm, and generate personalized initial diet recommendations through the integration of the Gemini Flash-Lite API. Based on the test results, the prediction model achieved an accuracy of 93% on the test data and 84% on 50 new datasets. Evaluation of the diet recommendations generated by LLM showed a feasibility level of 86.6% which was categorized as very feasible. These results indicate that the developed system is not only accurate in predicting diet programs but also effective in providing initial recommendations that can support decision-making in digital nutrition consultation services.
Diagnosis Dini Demam Berdarah Berdasarkan Data Hematologi Menggunakan Algoritma Machine Learning Yulia Nita; Maya Gian Sister; Gandung Triyono
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.185-191

Abstract

Infeksi virus dengue yang dikenal sebagai DBD masih menjadi tantangan serius dalam layanan kesehatan di Indonesia karena sifatnya yang menular dan terus menimbulkan masalah hingga saat ini. Penyebaran DBD yang cepat dan peningkatan angka kejadian memerlukan strategi deteksi dini yang lebih efektif untuk mencegah komplikasi serius. Sayangnya, metode konvensional seperti pemeriksaan NS1, IgM/IgG, dan PCR masih menghadapi keterbatasan dalam ketersediaan serta biaya. Penelitian ini difokuskan pada pengembangan Sistem Pendukung Keputusan (SPK) yang berbasis algoritma Naïve Bayes dengan memanfaatkan data hematologi rutin untuk mengklasifikasikan tingkat risiko infeksi DBD. Dataset yang digunakan berasal dari platform Kaggle dengan 924 data pasien yang telah melalui tahap pembersihan dan normalisasi. Data yang digunakan terdiri dari variabel-variabel seperti usia, gender, tekanan darah, gula darah, suhu tubuh, denyut jantung, dan level risiko. Algoritma Naïve Bayes dipilih untuk membangun model Atas dasar kapasitasnya dalam mengolah data secara optimal dengan asumsi bahwa setiap atribut bersifat independen. Dataset Pembagian data dilakukan ke dalam dua subset, di mana sebagian besar (80%) ditujukan untuk training, dan sisanya (20%) untuk testing. Kinerja model dievaluasi menggunakan metrik seperti akurasi, presisi, recall, serta F1-score. Dari hasil pengujian, model mampu memperoleh tingkat akurasi sebesar 98,03%, dengan performa sangat baik di seluruh kelas risiko, terutama recall sempurna pada kelas risiko tinggi. Hal ini menunjukkan kemampuan model dalam mengidentifikasi kasus-kasus berisiko tinggi tanpa terlewat. Dengan demikian, penelitian ini membuktikan bahwa data hematologi yang sederhana dapat dimanfaatkan secara optimal untuk deteksi dini DBD. Sistem yang dikembangkan berpotensi menjadi alat bantu diagnosis yang cepat, hemat biaya, dan dapat diimplementasikan secara luas untuk mendukung pelayanan kesehatan primer.
S-Know Microlearning: Integral Part of Knowledge Management for Employee Training in the Indonesian Banking Industry Indah Resti Fauzi; Herbert Siregar; Yudi Ahmad Hambali; Samialloi Nusratullo; Rasim Rasim
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.118-127

Abstract

The lack of integrated and easily accessible knowledge-sharing platforms within organizations, especially in the banking industry, has led to challenges in preserving institutional expertise and supporting effective employee training. S-Know (Smart Knowledge) is a web-based knowledge management system developed to address this issue by facilitating the storage, management, and distribution of organizational information. It offers features such as learning paths, learning modules, quizzes, and discussion forums to promote structured collaboration and self-directed learning among employees. The content is designed using a microlearning approach to ensure better comprehension and relevance to new staff training. The development of S-Know followed the Knowledge Management System Life Cycle (KMSLC), encompassing stages of knowledge capture, system design, implementation, and evaluation, each tailored to align with real organizational needs. Technically, S-Know leverages the Laravel framework for scalability and flexibility, with black box testing used to evaluate system functionality against user requirements. Test results and user interviews confirmed that all core features performed effectively and supported the intended goals. Overall, S-Know shows strong potential as a strategic and adaptive platform for knowledge management that can enhance human resource development and support sustainable organizational knowledge. To further support its growth and long-term value, future development may focus on encouraging greater user participation in knowledge sharing and improving accessibility, especially through integration with mobile platforms.
Analisis dan Prediksi Indeks Kualitas Udara Jakarta: Penerapan Algoritma XGBoost Evandha Mustika Sari; Cahya Sabila; Rifqi Fakhrizal Adam; Robert Kurniawan
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.161-169

Abstract

Air pollution is a serious problem that has an impact on the health and quality of life of people in metropolitan cities like Jakarta. To overcome these challenges, an accurate and reliable air quality prediction method is needed. Extreme Gradient Boosting (XGBoost) is a machine learning algorithm that excels at handling non-linear and complex data, making it ideal for modeling air quality. This study aims to develop an air quality prediction model in Jakarta using XGBoost, utilizing pollutant data that builds an Air Quality Index (AQI) obtained through a data mining process using the Earth Engine Code Editor.Model evaluation was carried out using RMSE, MAE, R2, and RSE metrics, which showed that XGBoost provided excellent prediction performance. The feature importance analysis identified SO2, PM2.5, and PM10 as the main factors affecting air quality in Jakarta. The results of this study are expected to support the government in making air pollution mitigation policies and developing an effective early warning system to improve the quality of life of the community.

Page 1 of 2 | Total Record : 14

 1   2 

Filter by Year

2025 2025


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