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 424 Documents
Evaluasi Model Pembelajaran Mesin dalam Memprediksi Kualitas Tidur Berdasarkan Pola Makan dan Aktivitas Fisik Amril Mutoi Siregar; Gunawan Witjaksono; Angga Jovansyah
Jurnal Nasional Teknologi dan Sistem Informasi Vol 12 No 2 (2026): Agustus 2026
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v12i2.2026.213-221

Abstract

Sleep quality is an important indicator of health, shaped by the intricate interactions of various multidimensional elements, including eating habits, physical activity levels, and psychological well-being. The purpose of this study is to assess the efficacy of linear (Logistic Regression) and non-linear machine learning algorithms (Decision Tree and Gradient Boosting) in predicting sleep disorders. The dataset used came from a survey that included 195 participants and underwent several stages of preprocessing, including data cleansing, feature engineering (especially regarding duration), and standardization through Z-score normalization. Model validation is performed using the Stratified 5-Fold Cross-Validation technique to reduce bias and ensure the stability of performance metrics. The findings show that the Logistics Regression model, optimized through threshold adjustment (with an adjustment threshold of 0.55), shows the most favorable and consistent performance, achieving an accuracy rate of 79.5% and a drawback rate of 96.7%, thus surpassing the efficacy of non-linear models such as Gradient Boosting. These results reinforce the principle of simplicity, which states that, in limited datasets, simpler linear models often show greater resilience than their more complex counterparts, which are prone to overfitting. An interpretability assessment conducted through the Analysis of the Importance of Permutation Features showed that bedtime dietary practices and stress levels emerged as the dominant factors affecting sleep quality, surpassing the contribution of physical activity and anthropometric variables (such as height and weight). In light of these findings, this study advocates health interventions that emphasize time-oriented nutrition management (chrononutrition) and recommends the use of linear models as a basic strategy in the screening process for populations characterized by limited sample sizes
Klasifikasi Hybrid Kecemasan Pengguna X Menggunakan Random Forest, SMOTE, dan Fitur Temporal Ni Putu Eka Apriyanthi; I Gede Teguh Satya Dharma; Civica Moehaimin Dhewanty
Jurnal Nasional Teknologi dan Sistem Informasi Vol 12 No 2 (2026): Agustus 2026
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v12i2.2026.242-250

Abstract

Pengungkapan indikasi kecemasan di media sosial X kerap terselubung dalam bahasa implisit (covert anxiety), sehingga pendekatan klasifikasi berbasis konten teks tunggal sering kali gagal menangkap konteks psikologis secara utuh serta rentan mengalami bias akibat ketidakseimbangan kelas data. Penelitian ini bertujuan untuk membangun model klasifikasi hybrid yang mengintegrasikan fitur linguistik dan indikator perilaku temporal guna meningkatkan sensitivitas deteksi kecemasan. Metodologi dijalankan secara bertahap mulai dari pra-pemrosesan data, ekstraksi fitur tekstual berbasis TF-IDF, serta pembentukan variabel biner temporal is_night (rentang jam 00:00-04:00 WIB). Kedua modalitas fitur digabungkan melalui skema early fusion (concatenation) menjadi vektor hybrid tunggal, yang kemudian diseimbangkan menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) sebelum dilatih menggunakan algoritma Random Forest. Hasil eksperimen menunjukkan bahwa arsitektur hybrid berhasil mencapai tingkat akurasi sebesar 76,83% dengan performa Recall kelas netral sebesar 0,85. Analisis feature importance membuktikan bahwa variabel is_night secara empiris menjadi salah satu prediktor kunci yang memvalidasi korelasi klinis insomnia digital (skala DASS-21) dengan kecemasan. Kesimpulannya, penggabungan metadata waktu terbukti efektif melengkapi analisis teks dalam memperkuat interpretasi konteks perilaku pada sistem deteksi dini kesehatan mental di ruang digital.
Tren, Tantangan, dan Arah Pengembangan Penelitian Cloud Security Perspektif Bibliometrik Sabila Rosad; Herbert Siregar; Jajang Kusnendar
Jurnal Nasional Teknologi dan Sistem Informasi Vol 12 No 2 (2026): Agustus 2026
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v12i2.2026.251-265

Abstract

The accessibility, flexibility, and scalability offered by cloud computing have driven the increasing adoption of cloud technology across various sectors, including business, healthcare, education, and industry. However, despite these advantages, cloud environments remain vulnerable to security threats such as data breaches, cyberattacks, unauthorized access, and service disruptions. These challenges have contributed to the rapid growth of research related to cloud security in recent years. This study aims to analyze research trends, themes, and research gaps in the field of cloud security using a Systematic Literature Review (SLR) and bibliometric analysis approach. A total of 76 open-access articles indexed in Scopus from the 2022–2025 period were analyzed using the Biblioshiny tool. The results indicate that research themes are dominated by approaches related to intrusion detection, network security, and the application of machine learning and deep learning for security threat detection. In addition, cryptographic techniques remain an important approach for data protection in cloud environments. The thematic map analysis reveals that topics such as intrusion detection and network security belong to the motor themes category, while themes such as blockchain-based security and application-specific security are still relatively limited. This study also identifies that most existing research still focuses on isolated security approaches, highlighting the need for integrated security technologies and the development of more adaptive and proactive security systems as future research opportunities.
Tinjauan Literatur Sistematis: Teknik Optical Character Recognition Dan In-formation Retrieval Pada Sistem Tanya Jawab Sekar Arum Chrysantia; Roni Habibi
Jurnal Nasional Teknologi dan Sistem Informasi Vol 12 No 2 (2026): Agustus 2026
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v12i2.2026.284-299

Abstract

Berikut terjemahan yang telah disesuaikan dengan bahasa akademik yang lazim digunakan dalam jurnal internasional (Scopus/Q1): The development of Image-based Question Answering (IQA) systems has advanced rapidly alongside the evolution of Optical Character Recognition (OCR), Information Retrieval (IR), and multimodal artificial intelligence technologies. However, the integration of OCR, retrieval mechanisms, and multimodal reasoning continues to face various conceptual and methodological challenges. Furthermore, comprehensive studies synthesizing the interrelationships among these components remain limited. This study aims to map the development, research trends, challenges, and future directions of OCR- and Information Retrieval-based techniques in Image-based Question Answering systems. A Systematic Literature Review (SLR) was conducted following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines. A total of 61 indexed articles were analyzed using the Theory, Context, Characteristics, and Methodology (TCCM) framework. The findings indicate that Multimodal Deep Learning, Transformer architectures, and Attention Mechanisms constitute the primary foundations of modern Question Answering systems. In addition, the integration of Knowledge Graphs, Large Language Models (LLMs), and Retrieval-Augmented Generation (RAG) has become increasingly prominent due to their ability to enhance reasoning capabilities and contextual understanding. The review also reveals a paradigm shift from traditional feature engineering–based approaches toward knowledge-driven multimodal reasoning systems. These findings provide a foundation for the development of more adaptive, reliable, and context-aware image-based question answering systems. Despite the rapid progress of IQA research, several key challenges remain, including the semantic gap, the complexity of multimodal fusion, hallucination issues, limited availability of multilingual datasets, and the lack of system interpretability.
Analisis Sentimen Berbasis SHAP untuk Mendukung Perencanaan Strategis Sistem Layanan M-Paspor Hagi Semara Putera; I Made Lanang Putra Pringgadhana; Moh. Zulfikar Zauzi; Gede Rasben Dantes; Gede Indrawan; I Made Agus Oka Gunawan
Jurnal Nasional Teknologi dan Sistem Informasi Vol 12 No 2 (2026): Agustus 2026
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v12i2.2026.340-349

Abstract

Transformasi digital layanan publik melalui aplikasi M-Paspor menghadapi tantangan signifikan terkait stabilitas sistem dan kepuasan pengguna. Melalui pendekatan Explainable AI, metode SHAP diimplementasikan untuk membongkar mekanisme internal algoritma XGBoost, untuk mengidentifikasi kontributor utama sentimen negatif secara visual dan terukur. Berdasarkan hasil algoritma XGBoost dengan akurasi 92%, melalui pendekatan XAI dengan metode SHAP. Penelitian ini mengintegrasikan model XGBoost dengan metode SHAP yang menghasilkan identifikasi kuantitatif fitur dominan. Kata positif yaitu “lancar” (1,80), “mantap” (1,22), “membantu” (1,02) serta kata negatif “lambat” (-0,77), “mempersulit” (-0,73), “buruk” (-0,43), yang mengindikasikan adanya kendala pada sistem verifikasi dan alur antarmuka. Temuan ini selanjutnya diformulasikan ke dalam kerangka kerja strategis yang merekomendasikan prioritas perbaikan pada aspek kecepatan respons sistem, penyederhanaan prosedur, dan stabilitas teknis, yang terbukti sebagai pemicu utama sentimen negatif pada nilai SHAP: lambat = -0,77, mempersulit = -0,73, buruk = -0,43, sehingga instansi dapat meningkatkan kualitas pelayanan publik digital secara lebih terarah dan berorientasi pada pengguna.
Comparison of FA-SSD: Performance of Feature Extractors VGG-19, MobileNetV3, and ResNet-152 for Human Body Temperature Prediction Ridho Sholehurrohman; Akmal Junaidi; Hamzah Hanif; Favorisen Rosyking Lumbanraja; Muhammad Reza Habibi
Jurnal Nasional Teknologi dan Sistem Informasi Vol 12 No 2 (2026): Agustus 2026
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v12i2.2026.300-311

Abstract

Body temperature is a critical health indicator, and non-contact thermal imaging-based prediction systems are essential for early detection of infectious diseases. This study compares the performance of three FA-SSD (Feature Fusion and Spatial Attention-Based Single Shot Detector) models with different feature extractors—VGG-19, MobileNetV3, and ResNet-152—for face detection and body temperature prediction using thermal images. A subset of 520 thermal facial images from the Comprehensive Facial Thermal Dataset was used, with 80% for training, 10% for validation, and 10% for testing. Model performance was evaluated using Generalized Intersection over Union (GIoU) for detection accuracy, and Mean Absolute Error (MAE) with Mean Absolute Percentage Error (MAPE) for temperature prediction accuracy. The results showed that no single model excelled in all metrics. ResNet-152 achieved the highest average GIoU, indicating superior object detection performance. VGG-19 delivered the lowest average MAE of 0.451°C and MAPE of 1.278%, making it the best for temperature prediction. MobileNetV3 achieved the lowest minimum MAE of 0.000050°C but showed higher average errors and validation fluctuations. In conclusion, VGG-19 is recommended for clinical temperature accuracy, ResNet-152 for robust detection, and MobileNetV3 for edge deployment.
Pengembangan User-Centered Business Intelligence Dashboard untuk Mendukung Kerangka Kerja Jaminan Mutu PPEPP di Perguruan Tinggi Fadhil Parmata; Istianah Muslim; Nina Fadilah Najwa; Fikri Muhaffizh Imani; Muhammad Mahrus Zain
Jurnal Nasional Teknologi dan Sistem Informasi Vol 12 No 2 (2026): Agustus 2026
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v12i2.2026.377-385

Abstract

Sistem Penjaminan Mutu Internal (SPMI) di perguruan tinggi menghasilkan data mutu yang besar pada setiap tahap siklus PPEPP, namun sering belum dimanfaatkan secara optimal karena penyajiannya kurang informatif. Business Intelligence (BI) berpotensi mengatasi hal ini melalui dashboard interaktif, tetapi penerapan yang efektif menuntut keterlibatan pengguna dalam perancangannya. Penelitian terdahulu pada konteks serupa umumnya menyajikan dashboard sebagai produk akhir tanpa menampilkan proses perancangannya, sehingga keterlibatan pengguna sulit ditelusuri. Penelitian ini bertujuan mengembangkan dashboard BI berbasis User-Centered Design (UCD) untuk mendukung penjaminan mutu sesuai kerangka PPEPP. Dashboard dikembangkan menggunakan Microsoft Power BI dengan data dari API SPMI institusi melalui proses Extract, Transform, Load (ETL), dengan struktur mengikuti lima tahap PPEPP. Pengembangan dijalankan melalui tiga iterasi UCD dengan fokus berbeda, yaitu pembentukan struktur, penyempurnaan pengalaman pengguna, serta penajaman fungsi analitis dan validasi data. Evaluasi menggunakan System Usability Scale (SUS) dan data validation testing. Hasil menunjukkan peningkatan skor SUS dari 78,7 menjadi 83,72, serta kesesuaian nilai pada dashboard dan sumber data untuk seluruh komponen yang diuji melalui data validation testing. Kontribusi utama penelitian ini adalah dokumentasi proses UCD yang transparan, di mana setiap iterasi disertai temuan, perubahan desain, dan metode evaluasi yang berbeda, sehingga keterlibatan pengguna dapat diverifikasi dan tidak sekadar diklaim.
Design Science Research on Human–AI Collaboration in Decision Support Systems: A Hybrid Decision-Making Framework Muhammad Damas Fatih; Aulia Rachmawati; Hamzah Alghifari; Andicho Haryus Wirasapta
Jurnal Nasional Teknologi dan Sistem Informasi Vol 12 No 2 (2026): Agustus 2026
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v12i2.2026.327-339

Abstract

Sistem Pendukung Keputusan (Decision Support Systems/DSS) mengalami perkembangan yang pesat seiring kemajuan teknologi kecerdasan buatan (Artificial Intelligence/AI), yang memungkinkan organisasi mengolah data dalam jumlah besar dan menghasilkan rekomendasi secara lebih efisien. Meskipun demikian, pengambilan keputusan yang sepenuhnya berbasis AI masih menghadapi berbagai tantangan, seperti kurangnya transparansi, keterbatasan pemahaman konteks, bias algoritmik, serta rendahnya kepercayaan pengguna. Di sisi lain, pengambilan keputusan yang sepenuhnya dilakukan manusia juga rentan terhadap keterbatasan kognitif, kelebihan informasi, dan bias penilaian. Penelitian ini mengusulkan suatu Human–AI Collaboration Framework untuk DSS menggunakan pendekatan Design Science Research (DSR). Fokus penelitian adalah merancang dan mengembangkan kerangka konseptual yang mengintegrasikan kemampuan analitis AI dengan keahlian manusia, penalaran kontekstual, dan pertimbangan etis. Framework yang diusulkan terdiri atas tiga lapisan utama, yaitu AI Layer, Human Layer, dan Interaction Layer yang didukung mekanisme Explainable Artificial Intelligence (XAI) serta proses umpan balik berkelanjutan. Framework didemonstrasikan secara konseptual melalui skenario pengambilan keputusan dan dievaluasi berdasarkan analisis literatur. Model yang diusulkan memberikan kontribusi terhadap pengembangan kajian Human–AI Collaboration dengan menyediakan arsitektur terstruktur untuk pengambilan keputusan hibrida sekaligus memberikan panduan praktis bagi pengembangan DSS yang adaptif, transparan, dan berpusat pada manusia
Perbandingan C4.5, Artificial Neural Network, dan Gaussian Naïve Bayes untuk Prediksi Piutang Pendidikan Tak Tertagih dengan Analisis Grouped Permutation Importance Sry Faslia Hamka; Amin Irmawan
Jurnal Nasional Teknologi dan Sistem Informasi Vol 12 No 2 (2026): Agustus 2026
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v12i2.2026.312-326

Abstract

Pengelolaan piutang biaya pendidikan merupakan tantangan operasional bagi perguruan tinggi, khususnya dalam mengidentifikasi secara dini mahasiswa yang berpotensi mengalami ketidaklancaran pembayaran. Penelitian ini bertujuan membandingkan kemampuan prediktif algoritma C4.5, Artificial Neural Network (ANN), dan Gaussian Naïve Bayes dalam mengklasifikasikan status piutang biaya pendidikan mahasiswa, serta menganalisis kontribusi atribut prediktor secara konsisten lintas-model. Data terdiri atas 258 rekaman mahasiswa dari Institut Teknologi dan Bisnis Muhammadiyah Wakatobi yang mengintegrasikan karakteristik akademik, wilayah tempat tinggal, kondisi sosial ekonomi wali, serta jumlah dan umur piutang UKT dan BPP. Evaluasi menggunakan holdout terstratifikasi 80:20 dan 90:10 serta RepeatedStratifiedKFold 5×10 sebagai prosedur utama. Seluruh algoritma dilatih pada pembagian data yang identik dengan tahap imputasi, encoding, standardisasi, dan oversampling ditempatkan dalam pipeline pelatihan. Kinerja dievaluasi menggunakan accuracy, precision, recall, F1-score, balanced accuracy, dan PR-AUC. Analisis interpretabilitas menggunakan grouped permutation importance diterapkan seragam pada ketiga algoritma. ANN memperoleh kinerja tertinggi dengan accuracy 82,09% ± 6,17%, recall 82,71%, F1-score 78,62%, balanced accuracy 82,20%, dan PR-AUC 91,32%. C4.5 menghasilkan kinerja mendekati ANN dengan accuracy 81,04% ± 4,98% dan PR-AUC 89,08%, disertai simpangan baku lebih kecil yang mencerminkan prediksi lebih stabil. Gaussian Naïve Bayes menghasilkan recall 80,58% namun balanced accuracy hanya 53,86% dan PR-AUC 46,99%, mengindikasikan kecenderungan prediksi positif berlebihan. Jumlah Piutang UKT Mahasiswa merupakan atribut paling berpengaruh secara konsisten pada ketiga algoritma, diikuti Umur Piutang UKT dan Jumlah Piutang BPP. Atribut akademik, wilayah, dan sosial ekonomi memberikan kontribusi yang kecil atau tidak stabil. ANN dipilih sebagai model utama untuk kepentingan operasional yang memprioritaskan deteksi piutang tak tertagih, sedangkan C4.5 menjadi alternatif kompetitif apabila institusi mengutamakan keterpahaman aturan klasifikasi. Hasil penelitian memberikan dasar ilmiah bagi pengembangan sistem pendukung keputusan prioritas pemeriksaan piutang dengan tetap mensyaratkan verifikasi manual sebelum tindak lanjut diambil.
Perbandingan Algoritma Random Forest dan XGBoost dalam Klasifikasi Kualitas Air Danau Maninjau Muhammad Fajri; Muhammad Rama Kencana; Wendi Marsa Putra; Muhammad Thoriq
Jurnal Nasional Teknologi dan Sistem Informasi Vol 12 No 2 (2026): Agustus 2026
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v12i2.2026.276-283

Abstract

Danau Maninjau merupakan salah satu danau prioritas nasional yang berada di Kabupaten Agam, Sumatera Barat. Selain unggul pada sektor pariwisata, Danau Maninjau dimanfaatkan oleh masyarakat sekitar untuk melakukan budidaya Keramba Jaring Apung (KJA). Namun lonjakan KJA yang tidak terkontrol menyebabkan tercemarnya perairan Danau Maninjau dengan status trofik eutrofik hingga hipereutrofik. Pemantauan kualitas perairan danau secara rutin dibutuhkan untuk menganalisis perkembangan kualitas perairan danau. Namun pemantauan berbasis laboratorium dinilai mahal dan membutuhkan waktu yang lama. Penelitian ini bertujuan membangun dan membandingkan model machine learning menggunakan algoritma Random Forest dan XGBoost dalam mengklasifikasikan status mutu perairan Danau Maninjau. Penelitian ini memanfaatkan dataset indeks kualitas air (WQI) dengan skenario pembagian data 8:2. Hasil pengujian menunjukkan model Random Forest unggul secara signifikan dalam mengklasifikasi kualitas air dengan tingkat akurasi sebesar 97%, mengungguli model XGBoost yang hanya mencatatkan akurasi 87%. Implementasi model pada data pemantauan perairan Danau Maninjau berhasil mengidentifikasi secara konsisten status Kelas 3 (Marginal) pada empat lokasi krusial (Tengah Danau, Tanjung Sani, Sungai Tampang, dan PLTA Muko-Muko), yang diindikasikan kuat sebagai gejala eutrofikasi akibat supersaturasi oksigen terlarut (DO).

Filter by Year

2015 2026