Pub Date : 2022-11-14DOI: 10.30595/juita.v10i2.14575
Muhammad Zakariyah, Umar Zaky
Sleep apnea is a common problem with health implications ranging from excessive daytime sleepiness to serious cardiovascular disorders. The method for detecting and measuring sleep apnea is through breathing monitoring (polysomnography), which is time consuming and relatively expensive. Cardiovascular which is closely related to heart performance activities allows the use of electrocardiogram (heart rate variability) features to detect sleep apnea. This study aims to compare the results of sleep apnea detection using several machine learning algorithms. A total of 2,445 data were divided into 1,834 data as learning sets and 611 data as test sets. Evaluation of 10-fold cross-validation using all HRV features shows that neural network algorithm has the best performance compared to decision tree algorithm, k-nearest neighbor, and support vector machine with an accuracy rate (82.44% in the learning set, 79.21% in the test set consecutively), precision (85.54% and 82.70%), f-measure (87.70% and 85.67%), and AUC (0.867 and 0.832). Based on the results of performance testing using only selected HRV features (CVRR, HF, SD1/SD2 Ratio, and S-Region), the K-Nearest Neighbors, Support Vector Machine, and Neural Network algorithms experienced a decrease in performance. The use of all HRV features is recommended compared to only using selected HRV features, so it can help detect the presence/absence of sleep apnea much better.
{"title":"Analysis of Machine Learning Algorithm for Sleep Apnea Detection Based on Heart Rate Variability","authors":"Muhammad Zakariyah, Umar Zaky","doi":"10.30595/juita.v10i2.14575","DOIUrl":"https://doi.org/10.30595/juita.v10i2.14575","url":null,"abstract":"Sleep apnea is a common problem with health implications ranging from excessive daytime sleepiness to serious cardiovascular disorders. The method for detecting and measuring sleep apnea is through breathing monitoring (polysomnography), which is time consuming and relatively expensive. Cardiovascular which is closely related to heart performance activities allows the use of electrocardiogram (heart rate variability) features to detect sleep apnea. This study aims to compare the results of sleep apnea detection using several machine learning algorithms. A total of 2,445 data were divided into 1,834 data as learning sets and 611 data as test sets. Evaluation of 10-fold cross-validation using all HRV features shows that neural network algorithm has the best performance compared to decision tree algorithm, k-nearest neighbor, and support vector machine with an accuracy rate (82.44% in the learning set, 79.21% in the test set consecutively), precision (85.54% and 82.70%), f-measure (87.70% and 85.67%), and AUC (0.867 and 0.832). Based on the results of performance testing using only selected HRV features (CVRR, HF, SD1/SD2 Ratio, and S-Region), the K-Nearest Neighbors, Support Vector Machine, and Neural Network algorithms experienced a decrease in performance. The use of all HRV features is recommended compared to only using selected HRV features, so it can help detect the presence/absence of sleep apnea much better.","PeriodicalId":151254,"journal":{"name":"JUITA : Jurnal Informatika","volume":"45 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-14","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127367565","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-11-14DOI: 10.30595/juita.v10i2.15471
S. Suwarsito, H. Mustafidah, Tito Pinandita, P. Purnomo
Indonesia is a maritime and agricultural country with enormous world fishery potential. The large variety of fish is often confusing for ordinary people in recognizing types of fish, especially freshwater fish. It was stated that the types of freshwater fish often consumed by the Indonesian people are bawal (pomfret), betutu, gabus (cork), gurame (carp), mas (goldfish), lele (catfish), mujaer (tilapia), patin (asian catfish), tawes, and nila (tilapia nilotica). Some fish types have similar shapes, so it is tricky to tell them apart. Meanwhile, in the digitalization era today, Artificial Intelligence (AI)-based technology has become a demand in all areas of life. It is overgrowing, not apart from the fisheries sector. Therefore, in this study, the K-Nearest Neighbor (KNN) method was applied as one of the methods in AI to identify and classify freshwater fish species based on their images. The KNN method classifies new data into specific classes based on the distance between the new data and the closest k data through the learning process. This KNN model is built by preparing the dataset stages, separating the dataset into data-train and data-test with a ratio of 70%:30%, then building and testing the model. The dataset is freshwater fish images, totaling 100 images from 10 freshwater fish types. Model testing is done by measuring performance using a confusion matrix. Based on the test results, the model has an accuracy performance of 70%. Thus, KNN can be used as a model to identify freshwater fish species based on their image.
{"title":"Freshwater Fish Classification Based on Image Representation Using K-Nearest Neighbor Method","authors":"S. Suwarsito, H. Mustafidah, Tito Pinandita, P. Purnomo","doi":"10.30595/juita.v10i2.15471","DOIUrl":"https://doi.org/10.30595/juita.v10i2.15471","url":null,"abstract":"Indonesia is a maritime and agricultural country with enormous world fishery potential. The large variety of fish is often confusing for ordinary people in recognizing types of fish, especially freshwater fish. It was stated that the types of freshwater fish often consumed by the Indonesian people are bawal (pomfret), betutu, gabus (cork), gurame (carp), mas (goldfish), lele (catfish), mujaer (tilapia), patin (asian catfish), tawes, and nila (tilapia nilotica). Some fish types have similar shapes, so it is tricky to tell them apart. Meanwhile, in the digitalization era today, Artificial Intelligence (AI)-based technology has become a demand in all areas of life. It is overgrowing, not apart from the fisheries sector. Therefore, in this study, the K-Nearest Neighbor (KNN) method was applied as one of the methods in AI to identify and classify freshwater fish species based on their images. The KNN method classifies new data into specific classes based on the distance between the new data and the closest k data through the learning process. This KNN model is built by preparing the dataset stages, separating the dataset into data-train and data-test with a ratio of 70%:30%, then building and testing the model. The dataset is freshwater fish images, totaling 100 images from 10 freshwater fish types. Model testing is done by measuring performance using a confusion matrix. Based on the test results, the model has an accuracy performance of 70%. Thus, KNN can be used as a model to identify freshwater fish species based on their image.","PeriodicalId":151254,"journal":{"name":"JUITA : Jurnal Informatika","volume":"227 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-14","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"134432414","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-11-14DOI: 10.30595/juita.v10i2.14855
R. Delima, Retantyo Wardoyo, K. Mustofa
Requirements engineering (RE) is the process of defining user requirements that are used as the main reference in the system development process. The quality of the RE results is measured based on the consistency and completeness of the requirements. The collection of requirements from multiple stakeholders can cause requirements conflict and have an impact on the inconsistency and incompleteness of the resulting requirements model. In this study, a method for automatic conflict detection and resolution in the Automatic Requirements Engineering Model (AREM) was developed. AREM is a model that automates the process of elicitation, analysis, validation, and requirements specification. The requirement conflict detection method was developed using an intelligent agent approach combined with a Weighted Product approach. Meanwhile, Conflict resolution is made automatically using a rule-based model and clustering method. Testing the ability of the method to detect and resolve conflicting requirements was carried out through five data sets of requirements from five system development projects. Based on the test results, it is known that the system is able to produce a set of objects that have conflicts in the data requirements. For conflict resolution, experiments were conducted with five conflict resolution scenarios. The experimental results show that the method is able to resolve conflicts by producing the highest completeness value, but the results of conflict resolution also produce a number of soft goals. The success of the method in detecting and resolving conflicts in the model is able to overcome the problem of inconsistencies and incompleteness in the requirements model.
{"title":"Requirements Conflict Detection and Resolution in AREM Using Intelligence System Approach","authors":"R. Delima, Retantyo Wardoyo, K. Mustofa","doi":"10.30595/juita.v10i2.14855","DOIUrl":"https://doi.org/10.30595/juita.v10i2.14855","url":null,"abstract":"Requirements engineering (RE) is the process of defining user requirements that are used as the main reference in the system development process. The quality of the RE results is measured based on the consistency and completeness of the requirements. The collection of requirements from multiple stakeholders can cause requirements conflict and have an impact on the inconsistency and incompleteness of the resulting requirements model. In this study, a method for automatic conflict detection and resolution in the Automatic Requirements Engineering Model (AREM) was developed. AREM is a model that automates the process of elicitation, analysis, validation, and requirements specification. The requirement conflict detection method was developed using an intelligent agent approach combined with a Weighted Product approach. Meanwhile, Conflict resolution is made automatically using a rule-based model and clustering method. Testing the ability of the method to detect and resolve conflicting requirements was carried out through five data sets of requirements from five system development projects. Based on the test results, it is known that the system is able to produce a set of objects that have conflicts in the data requirements. For conflict resolution, experiments were conducted with five conflict resolution scenarios. The experimental results show that the method is able to resolve conflicts by producing the highest completeness value, but the results of conflict resolution also produce a number of soft goals. The success of the method in detecting and resolving conflicts in the model is able to overcome the problem of inconsistencies and incompleteness in the requirements model.","PeriodicalId":151254,"journal":{"name":"JUITA : Jurnal Informatika","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-14","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"129518335","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-11-14DOI: 10.30595/juita.v10i2.12179
Emirul Bahar, Dewi Agushinta R., Yuti Dewita Arimbi, Mariono Reksoprodjo
One of the issues of pregnant mothers in Indonesia is their access speed and accuracy services availability towards the prediction of fetus or baby conceived during pregnancy. Thus, the research aimed to obtain the ability to predict three ranges of a fetal target, namely normal, risk, and abnormal condition. This research emphasized the modeling aspect of supervised learning using seven different algorithms to obtain an optimal working score. Those are Decision Tree, Gradient Boosting, Random Forest, SVM, k-NN, AdaBoost, and Stochastic Gradient Descent (SGD). The structure process is mainly divided into two steps, pre-process model and the prediction model. An early data pre-process is needed before executing. Prediction output indicated that dataset test is valid, and can be proven by comparing between the testing data table and prediction and testing table diagram. The resulting model has described the sequence for simulating the training and testing data model to produce the highest working score from the seven selected algorithms. The simulated data based on the model created is proved its validity thru three main filter processes, which are missing data solution, outlier data control, and data normalization. The result obtained a working score that has data proximity with a low score range of 0.063 from model evaluation, confusion matrix, and prediction output.
{"title":"Model Structure of Fetal Health Status Prediction","authors":"Emirul Bahar, Dewi Agushinta R., Yuti Dewita Arimbi, Mariono Reksoprodjo","doi":"10.30595/juita.v10i2.12179","DOIUrl":"https://doi.org/10.30595/juita.v10i2.12179","url":null,"abstract":"One of the issues of pregnant mothers in Indonesia is their access speed and accuracy services availability towards the prediction of fetus or baby conceived during pregnancy. Thus, the research aimed to obtain the ability to predict three ranges of a fetal target, namely normal, risk, and abnormal condition. This research emphasized the modeling aspect of supervised learning using seven different algorithms to obtain an optimal working score. Those are Decision Tree, Gradient Boosting, Random Forest, SVM, k-NN, AdaBoost, and Stochastic Gradient Descent (SGD). The structure process is mainly divided into two steps, pre-process model and the prediction model. An early data pre-process is needed before executing. Prediction output indicated that dataset test is valid, and can be proven by comparing between the testing data table and prediction and testing table diagram. The resulting model has described the sequence for simulating the training and testing data model to produce the highest working score from the seven selected algorithms. The simulated data based on the model created is proved its validity thru three main filter processes, which are missing data solution, outlier data control, and data normalization. The result obtained a working score that has data proximity with a low score range of 0.063 from model evaluation, confusion matrix, and prediction output.","PeriodicalId":151254,"journal":{"name":"JUITA : Jurnal Informatika","volume":"35 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-11-14","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"115776873","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-05-24DOI: 10.30595/JUITA.V7I1.4128
Fatmasari Fatmasari, Adi Supriyatna
Salah satu masalah yang sering dihadapi oleh remaja adalah ketidaktahuan mereka tentang minat dan bakat yang dimiliki. Hal ini menyebabkan mereka kesulitan untuk menentukan pilihan rencana studi dan karier di masa mendatang. Pada akhirnya, para remaja cenderung mengikuti keinginan orang tua atau mengikuti jurusan yang dipilih oleh temannya. Akibatnya tentu saja para remaja ini tidak menyukai bidang yang dipilihnya dan selalu merasa telah salah dalam memilih jurusan yang mereka ambil. Atas dasar itulah penulis melakuikan penelusuran karier berdasarkan minat, bakat dan kepribadian remaja berbasis website dengan metode forward chaining, yaitu dengan cara memulai penalaran dari fakta-fakta yang ada berupa minat, bakat dan kepribadian remaja, kemudian dihasilkan suatu output atau keluaran berupa kesimpulan karier apa yang sesuai dengan diri mereka masing-masing. Teori yang digunakan oleh penulis dalam menentukan jenis karier adalah teori Holland, dimana terdapat enam tipe kepribadian karier yang biasa disebut RIASEC. Dalam pengujiannya, sistem ini mampu menampilkan informasi dari tipe kepribadian, dan memberikan saran mengenai jurusan yang sesuai dengan kepribadian pengguna.
{"title":"Pemilihan dan Pengembangan Karier Berdasarkan Minat, Bakat dan Kepribadian Remaja Menggunakan Forward Chaining","authors":"Fatmasari Fatmasari, Adi Supriyatna","doi":"10.30595/JUITA.V7I1.4128","DOIUrl":"https://doi.org/10.30595/JUITA.V7I1.4128","url":null,"abstract":"Salah satu masalah yang sering dihadapi oleh remaja adalah ketidaktahuan mereka tentang minat dan bakat yang dimiliki. Hal ini menyebabkan mereka kesulitan untuk menentukan pilihan rencana studi dan karier di masa mendatang. Pada akhirnya, para remaja cenderung mengikuti keinginan orang tua atau mengikuti jurusan yang dipilih oleh temannya. Akibatnya tentu saja para remaja ini tidak menyukai bidang yang dipilihnya dan selalu merasa telah salah dalam memilih jurusan yang mereka ambil. Atas dasar itulah penulis melakuikan penelusuran karier berdasarkan minat, bakat dan kepribadian remaja berbasis website dengan metode forward chaining, yaitu dengan cara memulai penalaran dari fakta-fakta yang ada berupa minat, bakat dan kepribadian remaja, kemudian dihasilkan suatu output atau keluaran berupa kesimpulan karier apa yang sesuai dengan diri mereka masing-masing. Teori yang digunakan oleh penulis dalam menentukan jenis karier adalah teori Holland, dimana terdapat enam tipe kepribadian karier yang biasa disebut RIASEC. Dalam pengujiannya, sistem ini mampu menampilkan informasi dari tipe kepribadian, dan memberikan saran mengenai jurusan yang sesuai dengan kepribadian pengguna.","PeriodicalId":151254,"journal":{"name":"JUITA : Jurnal Informatika","volume":"151 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-05-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"122054586","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-05-24DOI: 10.30595/JUITA.V7I1.4396
H. Mustafidah, Amrisa Yanri Rahmadhani, H. Harjono
Backpropagation (BP) merupakan salah satu paradigma pembelajaran dalam jaringan syaraf tiruan yang dibangun dengan banyak lapisan untuk mengubah bobot–bobot yang terhubung dengan neuron pada lapisan tersembunyi. Pengubahan bobot dilakukan oleh sebuah algoritma pelatihan sehingga mendekati bobot optimal. Kinerja algoritma pelatihan dikatakan optimal dapat dilihat dari error yang dihasilkan (MSE). Semakin kecil MSE, semakin optimal kinerjanya. Beberapa penelitian yang dilakukan sebelumnya, diperoleh informasi bahwa algoritma pelatihan yang paling optimal berdasarkan MSE terkecil adalah algoritma Levenberg–Marquardt (LM) dengan rata–rata MSE 0.001 dengan tingkat pengujian α=5%. Penelitian tersebut menggunakan 10 neuron dalam lapisan tersembunyi. Keadaan optimal banyaknya neuron dalam lapisan tersembunyi yang dapat menghasilkan MSE paling kecil belum diketahui. Oleh karena itu, dalam penelitian ini dilakukan analisis untuk mengetahui jumlah neuron yang paling optimal dalam lapisan tersembunyi pada algoritma LM. Parameter jaringan yang digunakan yaitu 15 neuron dalam lapisan input , target error =0.001 (10 -3 ) dan variasi nilai laju pembelajaran. Penelitian ini menggunakan metode campuran yaitu pengembangan program komputer dan pengujian data statistik menggunakan ANOVA. Pengembangan program komputer digunakan untuk membangkitkan data random sebagai masukan jaringan, menjalankan algoritma LM, dan menghasilkan data keluaran. Hasil analisis menunjukkan bahwa dengan 27 neuron pada lapisan tersembunyi menghasilkan MSE terkecil yaitu 0.0000807±0.0001220 dengan laju pembelajaran=0.8.
{"title":"Optimasi Algoritma Pelatihan Levenberg–Marquardt Berdasarkan Variasi Nilai Learning-Rate dan Jumlah Neuron dalam Lapisan Tersembunyi","authors":"H. Mustafidah, Amrisa Yanri Rahmadhani, H. Harjono","doi":"10.30595/JUITA.V7I1.4396","DOIUrl":"https://doi.org/10.30595/JUITA.V7I1.4396","url":null,"abstract":"Backpropagation (BP) merupakan salah satu paradigma pembelajaran dalam jaringan syaraf tiruan yang dibangun dengan banyak lapisan untuk mengubah bobot–bobot yang terhubung dengan neuron pada lapisan tersembunyi. Pengubahan bobot dilakukan oleh sebuah algoritma pelatihan sehingga mendekati bobot optimal. Kinerja algoritma pelatihan dikatakan optimal dapat dilihat dari error yang dihasilkan (MSE). Semakin kecil MSE, semakin optimal kinerjanya. Beberapa penelitian yang dilakukan sebelumnya, diperoleh informasi bahwa algoritma pelatihan yang paling optimal berdasarkan MSE terkecil adalah algoritma Levenberg–Marquardt (LM) dengan rata–rata MSE 0.001 dengan tingkat pengujian α=5%. Penelitian tersebut menggunakan 10 neuron dalam lapisan tersembunyi. Keadaan optimal banyaknya neuron dalam lapisan tersembunyi yang dapat menghasilkan MSE paling kecil belum diketahui. Oleh karena itu, dalam penelitian ini dilakukan analisis untuk mengetahui jumlah neuron yang paling optimal dalam lapisan tersembunyi pada algoritma LM. Parameter jaringan yang digunakan yaitu 15 neuron dalam lapisan input , target error =0.001 (10 -3 ) dan variasi nilai laju pembelajaran. Penelitian ini menggunakan metode campuran yaitu pengembangan program komputer dan pengujian data statistik menggunakan ANOVA. Pengembangan program komputer digunakan untuk membangkitkan data random sebagai masukan jaringan, menjalankan algoritma LM, dan menghasilkan data keluaran. Hasil analisis menunjukkan bahwa dengan 27 neuron pada lapisan tersembunyi menghasilkan MSE terkecil yaitu 0.0000807±0.0001220 dengan laju pembelajaran=0.8.","PeriodicalId":151254,"journal":{"name":"JUITA : Jurnal Informatika","volume":"70 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-05-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"134634677","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-05-24DOI: 10.30595/JUITA.V7I1.4315
Rafiqa Maharani Putri Siregar, Endah Sudarmilah
Kepekaan terhadap kebersihan lingkungan sudah semakin terabaikan, maka dari itu diperlukan penyadaran lingkungan sejak dini bagi anak-anak sehingga anak menjaadi terbiasa untuk menjaga lingkungan hingga dewasa. Salah satu metode pengajaran mengenai lingkungan khususnya tentang sampah dapat menggunakan game edukasi berbasis virtual reality yang mengedepankan ciri pengalaman langsung bagi penggunanya. Sehingga penelitian ini bertujuan untuk mengembangkan virtual reality educational game mengenai pendidikan lingkungan terkait sampah untuk anak usia sekolah dasar. Aplikasi ini ditujukan untuk platform Android pada telepon cerdas. Metode pengembangan menggunakna Game Development Life Cycle . Hasil uji blackbox dari penelitian adalah game edukasi berbasis virtual reality ini dapat berjalan dengan baik.
{"title":"Rancang Bangun Virtual Reality Educational Game Penanggulangan Sampah berbasis Android untuk Anak Usia Sekolah Dasar","authors":"Rafiqa Maharani Putri Siregar, Endah Sudarmilah","doi":"10.30595/JUITA.V7I1.4315","DOIUrl":"https://doi.org/10.30595/JUITA.V7I1.4315","url":null,"abstract":"Kepekaan terhadap kebersihan lingkungan sudah semakin terabaikan, maka dari itu diperlukan penyadaran lingkungan sejak dini bagi anak-anak sehingga anak menjaadi terbiasa untuk menjaga lingkungan hingga dewasa. Salah satu metode pengajaran mengenai lingkungan khususnya tentang sampah dapat menggunakan game edukasi berbasis virtual reality yang mengedepankan ciri pengalaman langsung bagi penggunanya. Sehingga penelitian ini bertujuan untuk mengembangkan virtual reality educational game mengenai pendidikan lingkungan terkait sampah untuk anak usia sekolah dasar. Aplikasi ini ditujukan untuk platform Android pada telepon cerdas. Metode pengembangan menggunakna Game Development Life Cycle . Hasil uji blackbox dari penelitian adalah game edukasi berbasis virtual reality ini dapat berjalan dengan baik.","PeriodicalId":151254,"journal":{"name":"JUITA : Jurnal Informatika","volume":"21 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-05-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"133779663","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-05-24DOI: 10.30595/JUITA.V7I1.4164
F. Firmansyah, Rachmat Adi Purnama
Maraknya penggunaan akses internet belakangan ini khususya pada remaja, membuat kekhawatiran tersendiri bagi orang tua. Dengan menggunakan jasa internet, pengguna layanan internet dengan sangat mudahnya melakukan pencarian dan mengakses kedalam website berkonten negatif dan pornografi. Dari data yang didapatkan akses terhadap website dengan konten negatif masih sangat tinggi dengan peringkat 17 dari Top Website Rangking. Hal ini merupakan sebuah alasan mengapa penulis melakukan penelitian menggunakan DNS filtering dengan tujuan untuk membatasi akses terhadap situs berkonten negatif dan barbau pornografi. Sesuai dengan peraturan pemerintah yang menginginkan Indonesia menjadi pengguna dan penyedia Internet Sehat bagi semua kalangan. Untuk mewujudkan penerapan Internet Sehat, penulis mencoba melakukan penelitian menggunakan RouterBoard Mikrotik untuk melakukan implementasi DNS Filtering untuk membangun Internet s ehat menggunakan router mikrotik . Jika nantinya terdapat pengguna layanan internet yang mencoba melakukan akses kedalam jaringan internet dengan cara melakukan perubahan DNS secara manual dan menggunakan Open DNS maka akses internetnya akan terputus ataupun terblokir. Semua p engguna layanan internet pada jaringan ditekankan untuk menggunakan layanan DNS yang telah ditentuka n.
{"title":"Filtering Domain Name Server (DNS) untuk Membangun Internet Sehat Menggunakan Routerboard Mikrotik","authors":"F. Firmansyah, Rachmat Adi Purnama","doi":"10.30595/JUITA.V7I1.4164","DOIUrl":"https://doi.org/10.30595/JUITA.V7I1.4164","url":null,"abstract":"Maraknya penggunaan akses internet belakangan ini khususya pada remaja, membuat kekhawatiran tersendiri bagi orang tua. Dengan menggunakan jasa internet, pengguna layanan internet dengan sangat mudahnya melakukan pencarian dan mengakses kedalam website berkonten negatif dan pornografi. Dari data yang didapatkan akses terhadap website dengan konten negatif masih sangat tinggi dengan peringkat 17 dari Top Website Rangking. Hal ini merupakan sebuah alasan mengapa penulis melakukan penelitian menggunakan DNS filtering dengan tujuan untuk membatasi akses terhadap situs berkonten negatif dan barbau pornografi. Sesuai dengan peraturan pemerintah yang menginginkan Indonesia menjadi pengguna dan penyedia Internet Sehat bagi semua kalangan. Untuk mewujudkan penerapan Internet Sehat, penulis mencoba melakukan penelitian menggunakan RouterBoard Mikrotik untuk melakukan implementasi DNS Filtering untuk membangun Internet s ehat menggunakan router mikrotik . Jika nantinya terdapat pengguna layanan internet yang mencoba melakukan akses kedalam jaringan internet dengan cara melakukan perubahan DNS secara manual dan menggunakan Open DNS maka akses internetnya akan terputus ataupun terblokir. Semua p engguna layanan internet pada jaringan ditekankan untuk menggunakan layanan DNS yang telah ditentuka n.","PeriodicalId":151254,"journal":{"name":"JUITA : Jurnal Informatika","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-05-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"125811584","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-05-24DOI: 10.30595/JUITA.V7I1.3647
Amelia Yusnita, Tabrani Rija’i
Media pembelajaran sangat menarik untuk dikembangkan, kelebihan utamanya adalah visualisasi yang digunakan sebagai salah satu media edukasi pembelajaran. Berdasarkan pola yang dimiliki oleh permainan tersebut, pemain dituntut untuk belajar sehingga dapat menyelesaikan permasalahan yang ada. Pembelajaran panca indra merupakan sebuah media pembelajaran yang memiliki soal-soal latihan. Dalam permainan ini pemain harus menjawab pertanyaan yang tersedia dimana pemain harus dengan benar dan teliti untuk menjawab pertanyaan soal tersebut. Untuk teknik pengacakan posisi menggunakan algoritma shuffle random , dengan tujuan membuat susunan posisi soal menjadi teracak, dan pemain tidak bisa menghapal soal yang dikerjakan sebelumnya. Alat bantu perancangan sistem yang digunakan adalah flowchart , dalam pembuatannya menggunakan software aplikasi SwishMax4 . Dan hasilnya dikemas menjadi media pembelajaran yang dapat dimainkan untuk siswa-siswi tingkat SD, sebagai alternatif sistem pembelajaran yang efektif dan memberikan pengetahuan lebih bagi pengguna.
{"title":"Implementasi Algoritma Shuffle Random pada Pembelajaran Panca Indra Berbasis Android","authors":"Amelia Yusnita, Tabrani Rija’i","doi":"10.30595/JUITA.V7I1.3647","DOIUrl":"https://doi.org/10.30595/JUITA.V7I1.3647","url":null,"abstract":"Media pembelajaran sangat menarik untuk dikembangkan, kelebihan utamanya adalah visualisasi yang digunakan sebagai salah satu media edukasi pembelajaran. Berdasarkan pola yang dimiliki oleh permainan tersebut, pemain dituntut untuk belajar sehingga dapat menyelesaikan permasalahan yang ada. Pembelajaran panca indra merupakan sebuah media pembelajaran yang memiliki soal-soal latihan. Dalam permainan ini pemain harus menjawab pertanyaan yang tersedia dimana pemain harus dengan benar dan teliti untuk menjawab pertanyaan soal tersebut. Untuk teknik pengacakan posisi menggunakan algoritma shuffle random , dengan tujuan membuat susunan posisi soal menjadi teracak, dan pemain tidak bisa menghapal soal yang dikerjakan sebelumnya. Alat bantu perancangan sistem yang digunakan adalah flowchart , dalam pembuatannya menggunakan software aplikasi SwishMax4 . Dan hasilnya dikemas menjadi media pembelajaran yang dapat dimainkan untuk siswa-siswi tingkat SD, sebagai alternatif sistem pembelajaran yang efektif dan memberikan pengetahuan lebih bagi pengguna.","PeriodicalId":151254,"journal":{"name":"JUITA : Jurnal Informatika","volume":"41 6","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-05-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"131790021","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2019-05-24DOI: 10.30595/JUITA.V7I1.4063
Asvarizal Filcha, Mardhiya Hayaty
Perkembangan pada dunia teknologi informasi mengakibatkan perguruan tinggi mengurangi penggunaan kertas sehingga banyak tugas mahasiswa yang dikumpulkan dalam bentuk digital. Penggunaan digital menyebabkan semakin mudahnya mahasiswa untuk melakukan plagiarisme. Sehingga diperlukan sebuah sistem untuk melakukan pemeriksaan plagiarisme pada dokumen tugas antar mahasiswa dengan cepat dan tepat. Metode yang dapat digunakan adalah menggunakan algoritma Rabin-Karp. Algoritma Rabin-Karp memiliki keunggulan pencarian string dengan pola yang panjang. Algoritma Rabin-karp dalam sistem ini memiliki langkah - langkah text preprocessing yang terdiri case folding, tokenizing , punctuation removal , stopword removal dan stemming . Hasil dari text preprocessing inilah yang akan di proses menggunakan algoritma Rabin-karp. Hasil dari metode ini adalah nilai kemiripan dari tugas - tugas mahasiswa yang dihitung menggunakan dice coefficient . Perhitungan akurasi dengan melakukan 20 perbandingan antara sistem pendeteksi plagiarisme dan software Plagiarisme Checker X menggunakan confusion matrix menghasilkan tingkat keakuratan sebesar 90%.
{"title":"Implementasi Algoritma Rabin-Karp untuk Pendeteksi Plagiarisme pada Dokumen Tugas Mahasiswa","authors":"Asvarizal Filcha, Mardhiya Hayaty","doi":"10.30595/JUITA.V7I1.4063","DOIUrl":"https://doi.org/10.30595/JUITA.V7I1.4063","url":null,"abstract":"Perkembangan pada dunia teknologi informasi mengakibatkan perguruan tinggi mengurangi penggunaan kertas sehingga banyak tugas mahasiswa yang dikumpulkan dalam bentuk digital. Penggunaan digital menyebabkan semakin mudahnya mahasiswa untuk melakukan plagiarisme. Sehingga diperlukan sebuah sistem untuk melakukan pemeriksaan plagiarisme pada dokumen tugas antar mahasiswa dengan cepat dan tepat. Metode yang dapat digunakan adalah menggunakan algoritma Rabin-Karp. Algoritma Rabin-Karp memiliki keunggulan pencarian string dengan pola yang panjang. Algoritma Rabin-karp dalam sistem ini memiliki langkah - langkah text preprocessing yang terdiri case folding, tokenizing , punctuation removal , stopword removal dan stemming . Hasil dari text preprocessing inilah yang akan di proses menggunakan algoritma Rabin-karp. Hasil dari metode ini adalah nilai kemiripan dari tugas - tugas mahasiswa yang dihitung menggunakan dice coefficient . Perhitungan akurasi dengan melakukan 20 perbandingan antara sistem pendeteksi plagiarisme dan software Plagiarisme Checker X menggunakan confusion matrix menghasilkan tingkat keakuratan sebesar 90%.","PeriodicalId":151254,"journal":{"name":"JUITA : Jurnal Informatika","volume":"53 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2019-05-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"131365828","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：