cover
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,
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
Articles 365 Documents
Implementasi Machine Learning dalam Sistem Prediksi dan Rekomendasi Program Diet Terintegrasi LLM Sintiya, Endah Septa; Amanda, Sely Ruli; Bella Vista, Candra; Nugroho Pramudhita, Agung
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 Nita, Yulia; Sister, Maya Gian; Triyono, Gandung
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 Fauzi, Indah Resti; Siregar, Herbert; Hambali, Yudi Ahmad; Nusratullo, Samialloi; 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 Mustika Sari, Evandha; Sabila, Cahya; Fakhrizal Adam, Rifqi; Kurniawan, Robert
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.
Perbandingan Arsitektur CNN Berbasis Transfer Learning untuk Klasifikasi pada BreastMNIST Adzkia, Sazila Azka; Arifin, Toni
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.v11i2.2025.192-200

Abstract

Breast cancer is one of the leading causes of death among women, especially in developing countries like Indonesia. Early detection is very important to increase the cure rate and decrease the mortality rate. This research aims to improve its ability to identify cancer tumors by maximizing the recall value and comparing various transfer learning-based Convolutional Neural Network (CNN) models to find the most optimal model. The CNN architectures studied in this research include MobileNetV2, ResNet50, VGG16, and AlexNet. All models were applied to the BreastMNIST dataset, which consists of ultrasound images with two classes, benign and malignant. Transfer learning was used to overcome the challenge of limited availability of pre-labeled medical image data. The model performance was thoroughly evaluated using accuracy, precision, recall, F1-score and Area Under Curve (AUC) metrics. The results showed that MobileNetV2 provided superior performance with an accuracy of 91.14%, recall of 94%, precision of 93%, F1-score of 94%, and AUC of 0.9607. These findings indicate that the transfer learning-based MobileNetV2 is highly effective in detecting malignant tumors and is the most optimal architecture in this study.
Integrasi Algoritma FP-Growth dan K-Means untuk Analisis Keranjang Belanja dan Segmentasi Pelanggan pada Data Transaksi Ritel Salsabila, Shafa; Novita Dewi, Ika
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.v11i2.2025.128-135

Abstract

Seiring meningkatnya volume transaksi dalam industri ritel, kebutuhan untuk memahami perilaku konsumen secara mendalam menjadi semakin krusial. Penelitian ini bertujuan untuk menerapkan analisis keranjang belanja dan segmentasi pelanggan guna mengidentifikasi pola pembelian produk sekaligus memahami karakteristik pelanggan berdasarkan perilaku transaksional. Dataset yang digunakan adalah Retail Transaction Dataset dari Kaggle, berisi satu juta transaksi ritel tahun 2020 hingga 2024. Dataset diproses melalui tahapan pembersihan, transformasi format data, dan seleksi transaksi yang memenuhi kriteria minimal pembelian 2 produk per transaksi. Analisis dilakukan dengan algoritma FP-Growth dan K-Means. Hasil analisis FP-Growth menunjukkan adanya 16 aturan asosiasi dengan nilai support tertinggi sebesar 0.31%, confidence 7.35%, dan lift 0.89, dengan produk Toothpaste menjadi produk yang paling sering diasosiasikan. Segmentasi pelanggan dilakukan menggunakan algoritma K-Means dengan atribut demografis pelanggan, yaitu Payment Method, Customer Category, Promotion, Season, Discount Applied, dan Store Type. Jumlah klaster optimal ditentukan menggunakan Metode Elbow dan Davies-Bouldin Index (DBI). Hasil menunjukkan k = 3 sebagai jumlah klaster terbaik dengan nilai DBI sebesar 2.4724, yang menandakan pemisahan klaster cukup baik.  Berdasarkan hasil segmentasi K-Means, diperoleh tiga klaster pelanggan dengan karakteristik berbeda, yaitu retiree, teenager, dan profesional. Pengelompokan klaster ini mencerminkan kecenderungan kategori dominan yang muncul pada atribut Customer Category. Integrasi kedua metode ini menghasilkan rekomendasi strategi pemasaran berbasis segmen yang lebih personal, seperti bundling sederhana untuk pelanggan retiree, promosi visual dan hadiah menarik untuk pelanggan teenager, dan sistem poin loyalitas untuk pelanggan profesional. Temuan ini diharapkan membantu pelaku industri ritel memahami perilaku pelanggan secara lebih mendalam dan menyusun strategi pemasaran yang lebih tepat sasaran
Evaluasi Model Prediksi Curah Hujan Berbasis Machine Learning di Kota Bandung Hapsari, Indri; Pandya Wisesa, Shifa
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.v11i2.2025.136-143

Abstract

Model prediksi curah hujan berbasis machine learning bertujuan untuk memberikan prediksi curah hujan harian yang akurat. Penelitian ini membandingkan kinerja beberapa algoritma machine learning yang digunakan untuk membangun model prediksi kejadian hujan di Kota Bandung, yaitu Logistic Regression, Random Forest, dan Extreme Gradient Boosting. Evaluasi model prediksi dilakukan dengan menganalisis nilai accuracy, precision, recall, F1 score, dan AUC. Hasilnya menunjukkan bahwa ketiga model tersebut dapat memprediksi kejadian hujan harian di Kota Bandung secara efektif. Namun, model Random Forest secara umum menunjukkan performa terbaik dengan akurasi prediksi mencapai 85% sehingga model ini direkomendasikan untuk digunakan dalam memprediksi kejadian hujan guna mendukung pengambilan keputusan dan perencanaan kegiatan di Kota Bandung.
Implementasi Dashboard Pasien Rawat Jalan Rumah Sakit Umum XYZ dengan Fitur Clustering, Forecasting dan Outlier Detection Akbar, Fajril; Rafiqah, Rafiqah; Nirad, Dwi Welly Sukma
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.v11i2.2025.170-177

Abstract

Rumah Sakit Umum XYZ (RSU XYZ) telah menggunakan Sistem Informasi Manajemen Rumah Sakit (SIMRS) untuk mendukung operasional seperti pendaftaran pasien, pelayanan poliklinik, dan manajemen sumber daya manusia (SDM). Namun, sistem tersebut belum mampu menyediakan visualisasi data yang memadai bagi manajemen rumah sakit. Di samping itu, RSU XYZ menghadapi permasalahan dalam pembagian beban kerja dokter. Kondisi yang terjadi adalah beberapa dokter menangani lebih banyak pasien dibandingkan rekan sejawat lainnya, yang dapat memengaruhi distribusi layanan medis. Untuk mengatasi hal ini, perlu dilakukan identifikasi melalui dashboard dapat membantu rumah sakit dalam menganalisis data dengan lebih efisien. Business Intelligence (BI) memungkinkan prediksi tren jumlah pasien, analisis penyakit, pengelompokan dokter, serta deteksi outlier kinerja dokter untuk evaluasi berkala dan memberikan perhatian khusus bila diperlukan. Visualisasi outlier yang terdeteksi khusus digunakan untuk mengevaluasi kinerja dokter, mengidentifikasi ketidakseimbangan beban kerja, dan memberikan dasar untuk tindakan perbaikan. Penelitian ini melakukan observasi, wawancara dan studi literatur sebagai metode pengumpulan data, serta mengikuti tahapan Roadmap BI yang meliputi justification, planning, business analysis, design, construction, dan deployment. Tahapan dalam penerapan BI ini melalui proses ETL (Extract, Transform, Load) menggunakan tools Pentaho Data Integration untuk pembuatan data warehouse dan Tableau Desktop serta Python untuk pembuatan dashboard, forecasting, clustering, hingga outlier detection. Metode yang digunakan meliputi forecasting dengan exponential smoothing, sedangkan teknik clustering menggunakan K-Means, dan outlier detection menggunakan Z-Score. Penelitian ini menghasilkan tujuh dashboard utama, yaitu dashboard rawat jalan, poliklinik, diagnosa penyakit, poliklinik kardiologi, forecasting, clustering, dan outlier detection
Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan Pada RSUD Pekanbaru Gustientiedina, Gustientiedina; Adiya, M. Hasmil; Desnelita, Yenny
Jurnal Nasional Teknologi dan Sistem Informasi Vol 5 No 1 (2019): April 2019
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v5i1.2019.17-24

Abstract

Perencanaan dari kebutuhan obat-obatan yang tepat dapat membuat pengadaan obat-obatan menjadi efektif dan efisien sehinggaobat-obatan dapat tersedia dengan cukup sesuai dengan kebutuhan serta dapat diperoleh pada saat yang diperlukan. Menganalisa pemakaian obat, perencanaan dan pengendalian obat-obatan dapat dilakukan pada data miningyaitu dengan clusterisasi.Metode yang akan di pakai untuk clustering data obat-obatan adalah algoritma K-Means yang mana merupakan metode clustering dengan non hirarki yang mempartisi data – data  kedalam cluster dimana data – datadengan karakteristik sama akan dikelompokkan padasatu cluster dan data – data dengan karakteristik yang berbeda akan dikelompokkan padacluster lainnya.Tujuan penelitian ini yaitumengelompokkan data obat-obatan pada rumah sakitsehingga dapat digunakan dalam acuan pengambilan keputusan perencanaan dan pengendaliaan persediaan obat-obatan di rumah sakit.
Penerapan Aplikasi Berbasis Web Untuk Monitoring Pengobatan Pasien Gangguan Jiwa Pada UPT Puskesmas Pasar Usang Akbar, Ricky; Akbar, Fajril; Alifah, Wardatul
Jurnal Nasional Teknologi dan Sistem Informasi Vol 7 No 3 (2021): Desember 2021
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v7i3.2021.130-137

Abstract

Monitoring pengobatan pasien gangguan jiwa adalah pemantauan yang dilakukan oleh pemegang program kesehatan jiwa terhadap pelaksanaan prosedur pengobatan yang dilakukan oleh pasiennya. Selama ini proses pelaksanaan kegiatan monitoring pengobatan pasien gangguan jiwa pada Unit Pelaksana Teknis (UPT) Puskesmas Pasar Usang, Dinas Kesehatan Kabupaten Padang Pariaman belum berjalan dengan baik karena faktor pengelolaan data pasien yang masih dilakukan secara manual. Hal ini menyebabkan penanggung jawab program kesehatan jiwa kesulitan dalam mencari data pasien gangguan jiwa dan tidak memperoleh informasi tentang jadwal kunjungan berobat pasiennya. Selain itu susahnya mengetahui pasien-pasien yang tidak melakukan proses pengobatan secara teratur ke puskesmas (pasien home visit). Sehingga dapat mengakibatkan semakin tingginya tingkat kekambuhan penyakit pasien gangguan jiwa pada UPT Puskesmas Pasar Usang. Maka salah satu solusi untuk mengatasi permasalahan tersebut adalah dengan membangun dan menerapkan sebuah aplikasi untuk dapat melakukan monitoring pengobatan pasien gangguan jiwa. Metodologi penelitian yang digunakan adalah studi literatur sebagai landasan teori dari data penelitian sebelumnya, pengumpulan data berupa observasi, wawancara dan pengumpulan dokumen. Sementara itu metodologi yang digunakan untuk pengembangan aplikasi adalah Waterfall dengan tahapan requirements definitions, system and software design, implementation, dan system testing. Dengan diterapkannya Aplikasi monitoring pengobatan pasien gangguan jiwa berbasis web ini, maka proses monitoring yang berjalan di puskesmas dapat berjalan lebih baik dari sebelumnya.