Anemia merupakan keadaan saat hemoglobin pada tubuh tidak dapat berfungsi dengan baik. Anemia berdampak buruk bagi kesehatan, salah satunya pada daya tahan tubuh. Untuk mencegah terjadinya penyakit anemia dapat dilakukan deteksi dini dengan memanfaatkan pendekatan matematika menggunakan data mining. Data mining memiliki metode-metode klasifikasi yang bisa digunakan untuk deteksi dini penyakit anemia. Metode yang bisa digunakan untuk klasifikasi diantaranya yaitu algoritma Support Vector Machines (SVM) dan algoritma C4.5. Penelitian ini menerapkan algoritma SVM dan algoritma C4.5 untuk klasifikasi deteksi dini penyakit anemia. Tujuan penelitian ini adalah mendapatlkan metode paling tepat antara algoritma SVM dan algoritma C4.5 dalam klasifikasi penyakit anemia. Penelitian ini menerapkan teknik pengujian percentage split dan k-fold cross validation. Pada percentage split dipilih split sebesar 80% sebagai data latih dan 20% sebagai data uji. Pada k-fold cross validation dipilih nilai k sebesar 10. Hasil penerapan kedua metode menunjukkan bahwa k-fold cross validation bekerja lebih baik dibandingkan percentage split dengan persentase nilai akurasi, presisi, dan recall lebih tinggi dari masing-masing algoritma. Untuk kinerja kedua algoritma, C4.5 dalam penerapannya bekerja lebih baik dengan nilai akurasi, presisi, dan recall secara berturut-turut, yaitu 99.29%, 98.7%, dan 99.69% dibandingkan algoritma SVM. Dari hasil yang diperoleh dapat disimpulkan bahwa algoritma C4.5 dengan teknik pengujian k-fold cross validation menghasilkan nilai performa yang paling baik untuk klasifikasi penyakit anemia dibanding algoritma dan teknik pengujian lainnya.
{"title":"PERBANDINGAN ALGORITMA C4.5 DAN SVM DALAM KLASIFIKASI PENYAKIT ANEMIA","authors":"Dina Elly Yanti, Lizah Framesti, A. Desiani","doi":"10.33795/jip.v9i4.1381","DOIUrl":"https://doi.org/10.33795/jip.v9i4.1381","url":null,"abstract":"Anemia merupakan keadaan saat hemoglobin pada tubuh tidak dapat berfungsi dengan baik. Anemia berdampak buruk bagi kesehatan, salah satunya pada daya tahan tubuh. Untuk mencegah terjadinya penyakit anemia dapat dilakukan deteksi dini dengan memanfaatkan pendekatan matematika menggunakan data mining. Data mining memiliki metode-metode klasifikasi yang bisa digunakan untuk deteksi dini penyakit anemia. Metode yang bisa digunakan untuk klasifikasi diantaranya yaitu algoritma Support Vector Machines (SVM) dan algoritma C4.5. Penelitian ini menerapkan algoritma SVM dan algoritma C4.5 untuk klasifikasi deteksi dini penyakit anemia. Tujuan penelitian ini adalah mendapatlkan metode paling tepat antara algoritma SVM dan algoritma C4.5 dalam klasifikasi penyakit anemia. Penelitian ini menerapkan teknik pengujian percentage split dan k-fold cross validation. Pada percentage split dipilih split sebesar 80% sebagai data latih dan 20% sebagai data uji. Pada k-fold cross validation dipilih nilai k sebesar 10. Hasil penerapan kedua metode menunjukkan bahwa k-fold cross validation bekerja lebih baik dibandingkan percentage split dengan persentase nilai akurasi, presisi, dan recall lebih tinggi dari masing-masing algoritma. Untuk kinerja kedua algoritma, C4.5 dalam penerapannya bekerja lebih baik dengan nilai akurasi, presisi, dan recall secara berturut-turut, yaitu 99.29%, 98.7%, dan 99.69% dibandingkan algoritma SVM. Dari hasil yang diperoleh dapat disimpulkan bahwa algoritma C4.5 dengan teknik pengujian k-fold cross validation menghasilkan nilai performa yang paling baik untuk klasifikasi penyakit anemia dibanding algoritma dan teknik pengujian lainnya.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"18 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"133371951","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}
Perusahaan dibidang bisnis pasti membutuhkan sebuah peramalan penjualan yang bertujuan untuk merencanakan di periode selanjutnya. Peramalan adalah salah satu bagian penting dalam sebuah perusahaan dalam membaca keadaan pasar untuk membuat sebuah keputusan. UD. Mandiri Mebel & Office Equipment merupakan salah satu usaha yang bergerak di persediaan barang rumah tangga dan perkantoran. Dari hasil wawancara terdapat problem pada instansi tersebut antara lain stok barang yang ada lama terjual dan barang yang di stok kurang sesuai dengan data penjualan sebelumnya. Solusi yang dapat dicapai untuk menyelesaikan problem permasalahan ini adalah melakukan peramalan penjualan barang. Agar dapat tercapainya tujuan tersebut maka diperlukannya sebuah metode untuk membantu menerapkan sebuah peramalan. Single exponential smoothing adalah metode yang memfokuskan mencari nilai stabilitas yang mengambil data yang sudah ada untuk diberi fungsi exponential. Dalam penelitian ini telah menghasilkan sebuah aplikasi peramalan penjualan barang menggunakan metode single exponential smoothing. Berdasarkan hasil kesimpulan yang dapat diambil pada penelitian ini adalah metode ini dapat diterapkan dengan baik. Hasil dari perhitungan metode single exponential smoothing dalam meramalkan penjualan barang untuk periode berikutnya pada penjualan kasur sebesar 23,65 dengan MAPE 14,68%, lemari sebesar 18,35 dengan MAPE 16,60%, meja sebesar 25,80 dengan MAPE 17,44%, Kursi sebesar 64,64 dengan MAPE 19,01% dan rak sebesar 20,16 dengan MAPE 18,56. Kata Kunci: Peramalan, Single exponential smoothing, Penjualan barang.
{"title":"FORECASTING METODE SINGLE EXPONENTIAL SMOOTHING DALAM MERAMALKAN PENJUALAN BARANG","authors":"Deni Reskianto Deni, Mula Agung Barata, Sahri","doi":"10.33795/jip.v9i4.1405","DOIUrl":"https://doi.org/10.33795/jip.v9i4.1405","url":null,"abstract":"Perusahaan dibidang bisnis pasti membutuhkan sebuah peramalan penjualan yang bertujuan untuk merencanakan di periode selanjutnya. Peramalan adalah salah satu bagian penting dalam sebuah perusahaan dalam membaca keadaan pasar untuk membuat sebuah keputusan. UD. Mandiri Mebel & Office Equipment merupakan salah satu usaha yang bergerak di persediaan barang rumah tangga dan perkantoran. Dari hasil wawancara terdapat problem pada instansi tersebut antara lain stok barang yang ada lama terjual dan barang yang di stok kurang sesuai dengan data penjualan sebelumnya. Solusi yang dapat dicapai untuk menyelesaikan problem permasalahan ini adalah melakukan peramalan penjualan barang. Agar dapat tercapainya tujuan tersebut maka diperlukannya sebuah metode untuk membantu menerapkan sebuah peramalan. Single exponential smoothing adalah metode yang memfokuskan mencari nilai stabilitas yang mengambil data yang sudah ada untuk diberi fungsi exponential. Dalam penelitian ini telah menghasilkan sebuah aplikasi peramalan penjualan barang menggunakan metode single exponential smoothing. Berdasarkan hasil kesimpulan yang dapat diambil pada penelitian ini adalah metode ini dapat diterapkan dengan baik. Hasil dari perhitungan metode single exponential smoothing dalam meramalkan penjualan barang untuk periode berikutnya pada penjualan kasur sebesar 23,65 dengan MAPE 14,68%, lemari sebesar 18,35 dengan MAPE 16,60%, meja sebesar 25,80 dengan MAPE 17,44%, Kursi sebesar 64,64 dengan MAPE 19,01% dan rak sebesar 20,16 dengan MAPE 18,56. \u0000Kata Kunci: Peramalan, Single exponential smoothing, Penjualan barang.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"39 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127096438","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}
Musik merupakan sebuah “bahasa” yang mampu dimengerti dan dipahami oleh semua orang. Dalam musik sendiri, terdapat banyak genre musik yang berkembang yang dipengaruhi oleh budaya dari daerah-daerah yang berbeda-beda, seperti musik jazz, reggae, pop, rock, punk, dan masih banyak lagi genre musik yang ada seperti musik tradisional. Bertambahnya jumlah musik dalam bentuk digital secara pesat menyebabkan pemberian label genre secara manual menjadi tidak efektif. Pemberian label genre secara otomatis dapat dilakukan dengan menerapkan algoritma kecerdasan buatan yaitu salah satunya klasifikasi yang dapat mengelompokkan jenis musik berdasarkan genre dengan menggunakan fitur-fitur musik. Salah satu metode klasifikasi yang cukup sering digunakan adalah metode Extreme Gradient Boosting. Metode ini seringkali digunakan karena kecepatan, efisiensi dan skalabilitasnya untuk memecahkan beragam masalah klasifikasi ataupun regresi. Selain itu ada juga metode yang sering digunakan dalam melakukan klasifikasi yaitu metode Decision Tree yang merupakan metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan dan juga berguna untuk mengekplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Karena kedua metode ini termasuk dalam rumpun keluarga pohon atau ensemble learning, maka dilakukan perbandingan antara kedua metode tersebut. Pada penelitian ini melakukan perbandingan tingkat akurasi metode klasifikasi Extreme Gradient Boosting dan metode klasifikasi Decision Tree dengan melakukan pengujian parameter menggunakan nilai parameter terbaik yang didapatkan. Berdasarkan hasil penelitian metode klasifikasi Extreme Gradient Boosting dengan pengujian parameter menggunakan nilai parameter terbaik yang didapatkan menghasilkan kinerja akurasi yang lebih baik dibandingkan dengan metode klasifikasi Decision Tree yaitu sebesar 72% karena pada metode Extreme Gradient Bossting ini mampu meminimalisir eror dengan menggunakan data residu atau kesalahan prediksi pada model sebelumnya sehingga bisa mendapatkan dan mengoptimalkan hasil akurasi terbaik, yang membuktikan bahwa metode klasifikasi Extreme Gradient Boosting lebih baik dibandingkan dengan metode klasifikasi Decision Tree dengan pengujian parameter.
{"title":"PERBANDINGAN METODE EXTREME GRADIENT BOOSTING DAN METODE DECISION TREE UNTUK KLASIFIKASI GENRE MUSIK","authors":"Sally Lutfiani, Triando Hamonangan Saragih, Friska Abadi, M. Faisal, Dwi Kartini","doi":"10.33795/jip.v9i4.1319","DOIUrl":"https://doi.org/10.33795/jip.v9i4.1319","url":null,"abstract":"Musik merupakan sebuah “bahasa” yang mampu dimengerti dan dipahami oleh semua orang. Dalam musik sendiri, terdapat banyak genre musik yang berkembang yang dipengaruhi oleh budaya dari daerah-daerah yang berbeda-beda, seperti musik jazz, reggae, pop, rock, punk, dan masih banyak lagi genre musik yang ada seperti musik tradisional. Bertambahnya jumlah musik dalam bentuk digital secara pesat menyebabkan pemberian label genre secara manual menjadi tidak efektif. Pemberian label genre secara otomatis dapat dilakukan dengan menerapkan algoritma kecerdasan buatan yaitu salah satunya klasifikasi yang dapat mengelompokkan jenis musik berdasarkan genre dengan menggunakan fitur-fitur musik. Salah satu metode klasifikasi yang cukup sering digunakan adalah metode Extreme Gradient Boosting. Metode ini seringkali digunakan karena kecepatan, efisiensi dan skalabilitasnya untuk memecahkan beragam masalah klasifikasi ataupun regresi. Selain itu ada juga metode yang sering digunakan dalam melakukan klasifikasi yaitu metode Decision Tree yang merupakan metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan dan juga berguna untuk mengekplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Karena kedua metode ini termasuk dalam rumpun keluarga pohon atau ensemble learning, maka dilakukan perbandingan antara kedua metode tersebut. Pada penelitian ini melakukan perbandingan tingkat akurasi metode klasifikasi Extreme Gradient Boosting dan metode klasifikasi Decision Tree dengan melakukan pengujian parameter menggunakan nilai parameter terbaik yang didapatkan. Berdasarkan hasil penelitian metode klasifikasi Extreme Gradient Boosting dengan pengujian parameter menggunakan nilai parameter terbaik yang didapatkan menghasilkan kinerja akurasi yang lebih baik dibandingkan dengan metode klasifikasi Decision Tree yaitu sebesar 72% karena pada metode Extreme Gradient Bossting ini mampu meminimalisir eror dengan menggunakan data residu atau kesalahan prediksi pada model sebelumnya sehingga bisa mendapatkan dan mengoptimalkan hasil akurasi terbaik, yang membuktikan bahwa metode klasifikasi Extreme Gradient Boosting lebih baik dibandingkan dengan metode klasifikasi Decision Tree dengan pengujian parameter.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"89 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"116543345","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}
Salah satu UMKM penyumbang terbesar dalam perekonomian Indonesia ialah bidang fashion. Hal ini bisa dicermati pada data catatan Triawan Munaf yg menunjukkan bahwa bidang fashion menyumbang 18,15% dari ekonomi kreatif Indonesia di tahun 2017. Hal ini menunjukkan bahwa UMKM pada bidang fashion memiliki peran yang sangat penting dalam perekonomian Indonesia. Salah satunya adalah UMKM Butik Berkah yang memiliki tempat strategis dengan lingkungan masyarakat tepatnya pada wilayah Desa Mojoruntut RT.10 RW.05, Kec. Krembung, Sidoarjo, Jawa Timur. Aplikasi Sistem Informasi Pemasaran Produk Berbasis WEB pada Usaha Butik dibuat dengan tujuan untuk mempermudah pelanggan dalam memilih model dan melakukan transaksi secara jarak jauh. Dengan menggunakan alat bantu dalam pembuatan aplikasi seperti Data Flow Diagram, Entity Relationship Diagram, dan Flowchart untuk mempermudah peneliti merancang aplikasi. Penelitian ini dibuat dengan metode Waterfall dan penyimpanan database Aplikasi menggunakan MySQL serta metode black box sebagai metode pengujian.
{"title":"SISTEM INFORMASI PEMASARAN PRODUK BERBASIS WEB PADA USAHA BUTIK BERKAH","authors":"Rusdy Yusmiawan Putra, Ika Ratna Indra Astutik, Yunia Rahmawati","doi":"10.33795/jip.v9i4.1409","DOIUrl":"https://doi.org/10.33795/jip.v9i4.1409","url":null,"abstract":"Salah satu UMKM penyumbang terbesar dalam perekonomian Indonesia ialah bidang fashion. Hal ini bisa dicermati pada data catatan Triawan Munaf yg menunjukkan bahwa bidang fashion menyumbang 18,15% dari ekonomi kreatif Indonesia di tahun 2017. Hal ini menunjukkan bahwa UMKM pada bidang fashion memiliki peran yang sangat penting dalam perekonomian Indonesia. Salah satunya adalah UMKM Butik Berkah yang memiliki tempat strategis dengan lingkungan masyarakat tepatnya pada wilayah Desa Mojoruntut RT.10 RW.05, Kec. Krembung, Sidoarjo, Jawa Timur. Aplikasi Sistem Informasi Pemasaran Produk Berbasis WEB pada Usaha Butik dibuat dengan tujuan untuk mempermudah pelanggan dalam memilih model dan melakukan transaksi secara jarak jauh. Dengan menggunakan alat bantu dalam pembuatan aplikasi seperti Data Flow Diagram, Entity Relationship Diagram, dan Flowchart untuk mempermudah peneliti merancang aplikasi. Penelitian ini dibuat dengan metode Waterfall dan penyimpanan database Aplikasi menggunakan MySQL serta metode black box sebagai metode pengujian.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"195 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127106633","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}
Indonesia merupakan urutan ke-10 negara yang durasi penggunaan media sosial tersering menurut (DataIndonesia.id, 2022), dengan menggunakan media sosial dapat menemukan banyak hal yang berguna seperti iklan online yang dapat menjadi sarana yang lebih efektif dalam mencari kerja. Namun terdapat juga dampak negatif bagi pencari kerja hal tersebut dibuktikan masih banyak yang mengalami penipuan lowongan kerja dalam platform yang tidak resmi sehingga tidak terjamin informasi dan keamanannya. Hal tersebut membuat para pencari kerja kuwalahan dalam memilih papan iklan (board job) lowongan kerja yang terpercaya. Berdasarkan dari permasalahan tersebut dibutuhkan sebuah Sistem Pendukung Keputusan yang dapat membantu menentukan platform resmi untuk mencari lowongan kerja bagi pencari kerja. Pada penelitian milik (Kurnianty, Ekojono, & Rohadi, 2023) tentang pendukung keputusan menggunakan metode MOORA menghasilkan akurasi sebesar 100%, dimana penggunaan metode MOORA memiliki tingkat selektifitas yang baik sehingga dapat digunakan pada penelitian ini. Metode yang digunakan yakni metode Multi-Objective Optimization On The Basis Of Ratio Analysis (MOORA) dikarenakan kriteria yang dibutuhkan terdapat beberapa kriteria yang bertentangan. Hasil yang didapatkan dengan menggunakan metode ini yakni hasil yang sesuai. Hasil Pengujian dengan membandingkan perhitungan secara manual dengan sistem menggunakan Confusion Matrix mendapatkan hasil akurasi sebesar 100%, kemudian pengujian kepada responden mendapat hasil akhir rata-rata kepuasan sebesar 89.28%, hal tersebut dapat disimpulkan bahwa sistem ini dapat memenuhi kebutuhan dan dapat membantu pencari kerja dalam memilih situs lowongan kerja.
{"title":"SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SITUS LOWONGAN KERJA MENGGUNAKAN METODE MOORA","authors":"Fajriyah Mayzura, I. Wijaya, Budi Harijanto","doi":"10.33795/jip.v9i4.1422","DOIUrl":"https://doi.org/10.33795/jip.v9i4.1422","url":null,"abstract":"Indonesia merupakan urutan ke-10 negara yang durasi penggunaan media sosial tersering menurut (DataIndonesia.id, 2022), dengan menggunakan media sosial dapat menemukan banyak hal yang berguna seperti iklan online yang dapat menjadi sarana yang lebih efektif dalam mencari kerja. Namun terdapat juga dampak negatif bagi pencari kerja hal tersebut dibuktikan masih banyak yang mengalami penipuan lowongan kerja dalam platform yang tidak resmi sehingga tidak terjamin informasi dan keamanannya. Hal tersebut membuat para pencari kerja kuwalahan dalam memilih papan iklan (board job) lowongan kerja yang terpercaya. Berdasarkan dari permasalahan tersebut dibutuhkan sebuah Sistem Pendukung Keputusan yang dapat membantu menentukan platform resmi untuk mencari lowongan kerja bagi pencari kerja. Pada penelitian milik (Kurnianty, Ekojono, & Rohadi, 2023) tentang pendukung keputusan menggunakan metode MOORA menghasilkan akurasi sebesar 100%, dimana penggunaan metode MOORA memiliki tingkat selektifitas yang baik sehingga dapat digunakan pada penelitian ini. Metode yang digunakan yakni metode Multi-Objective Optimization On The Basis Of Ratio Analysis (MOORA) dikarenakan kriteria yang dibutuhkan terdapat beberapa kriteria yang bertentangan. Hasil yang didapatkan dengan menggunakan metode ini yakni hasil yang sesuai. Hasil Pengujian dengan membandingkan perhitungan secara manual dengan sistem menggunakan Confusion Matrix mendapatkan hasil akurasi sebesar 100%, kemudian pengujian kepada responden mendapat hasil akhir rata-rata kepuasan sebesar 89.28%, hal tersebut dapat disimpulkan bahwa sistem ini dapat memenuhi kebutuhan dan dapat membantu pencari kerja dalam memilih situs lowongan kerja.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"43 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"115810436","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}
Faris Afif Adistya, K. P. Kartika, Zunita Wulansari
Tujuan dari pengembangan game edukasi bertema pahlawan nasional Indonesia untuk meningkatkan nilai-nilai patriotisme dan nasionalisme di kalangan anak-anak, serta menambah pengetahuan tentang tokoh-tokoh pahlawan di Indonesia. Metode penelitian yang digunakan adalah Game Development Life Cycle (GLDC). Pada metode GLDC sendiri terdapat 6 fase pengembangan, di antaranya fase initialization, fase pre-production, fase production, fase alpha testing, fase beta testing, dan fase release. Hasil penelitian ini adalah berdasarkan hasil pengujian yang dilakukan di dapat nilai pada aspek functionality termasuk dalam kategori sangat baik dengan skor 100%, pada aspek reliability termasuk dalam kategori sangat baik dengan skor 100%, pada aspek compatibility termasuk dalam kategori sangat baik dengan skor 100%, pada aspek expert validity termasuk dalam kategori baik dengan skor 83% dan pada aspek playability termasuk dalam kategori cukup baik dengan skor 78%. Dan game ini dapat meningkatkan minat anak-anak khususnya di tingkat sekolah dasar untuk mengenal tokoh-tokoh pahlawan nasional Indonesia.
{"title":"Perancangan Game Edukasi Bertema Pahlawan Indonesia Berbasis HTML5","authors":"Faris Afif Adistya, K. P. Kartika, Zunita Wulansari","doi":"10.33795/jip.v9i4.1226","DOIUrl":"https://doi.org/10.33795/jip.v9i4.1226","url":null,"abstract":"Tujuan dari pengembangan game edukasi bertema pahlawan nasional Indonesia untuk meningkatkan nilai-nilai patriotisme dan nasionalisme di kalangan anak-anak, serta menambah pengetahuan tentang tokoh-tokoh pahlawan di Indonesia. Metode penelitian yang digunakan adalah Game Development Life Cycle (GLDC). Pada metode GLDC sendiri terdapat 6 fase pengembangan, di antaranya fase initialization, fase pre-production, fase production, fase alpha testing, fase beta testing, dan fase release. Hasil penelitian ini adalah berdasarkan hasil pengujian yang dilakukan di dapat nilai pada aspek functionality termasuk dalam kategori sangat baik dengan skor 100%, pada aspek reliability termasuk dalam kategori sangat baik dengan skor 100%, pada aspek compatibility termasuk dalam kategori sangat baik dengan skor 100%, pada aspek expert validity termasuk dalam kategori baik dengan skor 83% dan pada aspek playability termasuk dalam kategori cukup baik dengan skor 78%. Dan game ini dapat meningkatkan minat anak-anak khususnya di tingkat sekolah dasar untuk mengenal tokoh-tokoh pahlawan nasional Indonesia.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"19 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"125687819","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}
Muhammad Faisal, Indah Puji Astuti, Ghulam Asrofi Buntoro
Perpustakaan SMA Kyai Ageng Basyariyah merupakan salah satu layanan dan penyedia informasi di Sekolah tersebut. Namun, selama ini perpustakaan masih belum menyediakan website khusus untuk pencarian dan peminjaman buku, atau dalam kata lain masih menggunakan cara manual. Dengan begitu pengunjung merasa kesulitan dalam mencari buku dan rekomendasi alternatif buku yang diinginkan. Untuk mempermudah pengunjung, maka dibuatkannya sebuah website sistem informasi perpustakaan dengan menerapakan metode Similarity sangatlah tepat. Dengan menerapkan metode Similarity untuk alternatif rekomendasi buku membantu pengunjung dalam menemukan buku yang memiliki kesamaan dengan buku yang di pilih dan dicari. Berdasarkan hasil pengujian testing menggunakan metode black-box, sistem berjalan dengan baik, dan metode Similarity yang di terapkannya pun juga sudah berjalan dengan semestinya.
{"title":"METODE SIMILARITY UNTUK ALTERNATIF REKOMENDASI BUKU PADA SISTEM INFORMASI PERPUSTAKAAN","authors":"Muhammad Faisal, Indah Puji Astuti, Ghulam Asrofi Buntoro","doi":"10.33795/jip.v9i4.1094","DOIUrl":"https://doi.org/10.33795/jip.v9i4.1094","url":null,"abstract":"Perpustakaan SMA Kyai Ageng Basyariyah merupakan salah satu layanan dan penyedia informasi di Sekolah tersebut. Namun, selama ini perpustakaan masih belum menyediakan website khusus untuk pencarian dan peminjaman buku, atau dalam kata lain masih menggunakan cara manual. Dengan begitu pengunjung merasa kesulitan dalam mencari buku dan rekomendasi alternatif buku yang diinginkan. Untuk mempermudah pengunjung, maka dibuatkannya sebuah website sistem informasi perpustakaan dengan menerapakan metode Similarity sangatlah tepat. Dengan menerapkan metode Similarity untuk alternatif rekomendasi buku membantu pengunjung dalam menemukan buku yang memiliki kesamaan dengan buku yang di pilih dan dicari. Berdasarkan hasil pengujian testing menggunakan metode black-box, sistem berjalan dengan baik, dan metode Similarity yang di terapkannya pun juga sudah berjalan dengan semestinya.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"13 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128643562","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}
Suci Permata, Triando Hamonangan Saragih, Andi Farmadi, R. Nugroho, Rudy Herteno, I. Komputer
Berdasarkan analisis data GLOBOCAN pada tahun 2020, kanker hati primer dinyatakan menduduki peringkat ke-6 sebagai kanker yang paling banyak didiagnosis dan peringkat ke-3 sebagai penyebab kematian akibat kanker utama di dunia. Mayoritas kanker hati primer muncul dari sel-sel hati dan disebut Karsinoma Hepatoseluler (KHS). Salah satu upaya yang dapat dilakukan untuk mengatasi permasalahan tersebut adalah dengan mengklasifikasikan kelangsungan hidup pasien KHS. Pada penelitian ini dilakukan perbandingan antara MissForest dan K-Nearest Neighbors Imputation (KNNI) untuk mengetahui metode imputasi mana yang menghasilkan kinerja terbaik pada klasifikasi untuk memprediksi kelangsungan hidup pasien KHS. Hasil menunjukkan bahwa KNNI lebih unggul dibandingkan MissForest pada klasifikasi menggunakan Extreme Learning Machine, dengan nilai akurasi rata-rata sebesar 92,941% dan rata-rata AUC sebesar 0,9758.
{"title":"Klasifikasi Harapan Hidup Pasien Karsinoma Hepatoseluler Menggunakan Extreme Learning Machine Dengan Perbaikan Data Hilang","authors":"Suci Permata, Triando Hamonangan Saragih, Andi Farmadi, R. Nugroho, Rudy Herteno, I. Komputer","doi":"10.33795/jip.v9i4.1287","DOIUrl":"https://doi.org/10.33795/jip.v9i4.1287","url":null,"abstract":"Berdasarkan analisis data GLOBOCAN pada tahun 2020, kanker hati primer dinyatakan menduduki peringkat ke-6 sebagai kanker yang paling banyak didiagnosis dan peringkat ke-3 sebagai penyebab kematian akibat kanker utama di dunia. Mayoritas kanker hati primer muncul dari sel-sel hati dan disebut Karsinoma Hepatoseluler (KHS). Salah satu upaya yang dapat dilakukan untuk mengatasi permasalahan tersebut adalah dengan mengklasifikasikan kelangsungan hidup pasien KHS. Pada penelitian ini dilakukan perbandingan antara MissForest dan K-Nearest Neighbors Imputation (KNNI) untuk mengetahui metode imputasi mana yang menghasilkan kinerja terbaik pada klasifikasi untuk memprediksi kelangsungan hidup pasien KHS. Hasil menunjukkan bahwa KNNI lebih unggul dibandingkan MissForest pada klasifikasi menggunakan Extreme Learning Machine, dengan nilai akurasi rata-rata sebesar 92,941% dan rata-rata AUC sebesar 0,9758.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"42 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128871505","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}
Triando Hamonangan Saragih, Dwi Kartini, I. Komputer
BTS (Bangtan Boys) adalah salah satu boy grup asal korea selatan yang ditunjuk oleh Tokopedia untuk menjadi brand ambassador Tokopedia di Indonesia, BTS merupakan salah satu boy grup yang sangat mendunia dalam bidang musik dan Tokopedia merupakan salah satu E-commerce terkenal yang banyak digunakan oleh masyarakat indonesia untuk melakukan jual beli online. Kerjasama ini tentu saja memberikan pengaruh terhadap Tokopedia serta memperoleh banyak respon berupa opini masyarakat terutama pada media sosial twitter, karena hal tersebut maka dilakukan penelitian analisis sentiment. Data yang digunakan yaitu 900 data tweet dan terbagi menjadi 3 kelas yaitu positif, negatif, dan netral. Tahapan penilitian terdiri dari pengambilan dan pengumpulan data, preprocessing data, ekstraksi fitur dengan Term Frequency - Inverse Document Frequency (TF-IDF), klasifikasi dengan Bayesian network, evaluasi kinerja menggunakan K-fold cross validation (K-10) dan confution matrix. Perbandingan terjadi pada tahap preprocessing data, yaitu saat menggunakan normalisasi data dan tidak menggunakan normalisasi data, dari hasil perbandingan tersebut diperoleh nilai akurasi jika tidak menggunakan normalisasi data sebesar 66,6667%, presisi sebesar 68,1%, dan recall sebesar 66,7%. Sedangkan hasil akurasi dengan menggunakan normalisasi data sebesar 76,5556%, presisi sebesar 77,4%, dan recall sebesar 76,6%. Selisih nilai akurasi dari kedua percobaan sebesar 9,8889 %, hal ini membuktikan bahwa menggunakan normalisasi data lebih baik.
{"title":"ANALISIS SENTIMEN BRAND AMBASSADOR BTS TERHADAP TOKOPEDIA MENGGUNAKAN KLASIFIKASI BAYESIAN NETWORK DENGAN EKSTRAKSI FITUR TF-IDF","authors":"Triando Hamonangan Saragih, Dwi Kartini, I. Komputer","doi":"10.33795/jip.v9i4.1333","DOIUrl":"https://doi.org/10.33795/jip.v9i4.1333","url":null,"abstract":"BTS (Bangtan Boys) adalah salah satu boy grup asal korea selatan yang ditunjuk oleh Tokopedia untuk menjadi brand ambassador Tokopedia di Indonesia, BTS merupakan salah satu boy grup yang sangat mendunia dalam bidang musik dan Tokopedia merupakan salah satu E-commerce terkenal yang banyak digunakan oleh masyarakat indonesia untuk melakukan jual beli online. Kerjasama ini tentu saja memberikan pengaruh terhadap Tokopedia serta memperoleh banyak respon berupa opini masyarakat terutama pada media sosial twitter, karena hal tersebut maka dilakukan penelitian analisis sentiment. Data yang digunakan yaitu 900 data tweet dan terbagi menjadi 3 kelas yaitu positif, negatif, dan netral. Tahapan penilitian terdiri dari pengambilan dan pengumpulan data, preprocessing data, ekstraksi fitur dengan Term Frequency - Inverse Document Frequency (TF-IDF), klasifikasi dengan Bayesian network, evaluasi kinerja menggunakan K-fold cross validation (K-10) dan confution matrix. Perbandingan terjadi pada tahap preprocessing data, yaitu saat menggunakan normalisasi data dan tidak menggunakan normalisasi data, dari hasil perbandingan tersebut diperoleh nilai akurasi jika tidak menggunakan normalisasi data sebesar 66,6667%, presisi sebesar 68,1%, dan recall sebesar 66,7%. Sedangkan hasil akurasi dengan menggunakan normalisasi data sebesar 76,5556%, presisi sebesar 77,4%, dan recall sebesar 76,6%. Selisih nilai akurasi dari kedua percobaan sebesar 9,8889 %, hal ini membuktikan bahwa menggunakan normalisasi data lebih baik.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"8 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127099575","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}
Tanaman obat memiliki peran penting dalam pengobatan alami dan pengembangan obat-obatan baru. Klasifikasi jenis daun tanaman obat menjadi langkah penting dalam penelitian ini. Saya mengusulkan metode klasifikasi menggunakan Convolutional Neural Network (CNN) dengan model VGG16 untuk mengenali jenis daun tanaman obat secara otomatis. Model VGG16 yang telah dilatih sebelumnya digunakan sebagai arsitektur dasar, dengan penyesuaian lapisan kustom yang sesuai. Pra-pemrosesan data dilakukan melalui augmentasi data, termasuk rotasi, pergeseran, dan pemotongan citra, untuk meningkatkan variasi data pelatihan. Dataset yang digunakan terdiri dari 10 jenis daun tanaman obat yang dikumpulkan secara eksklusif. Dari percobaan ini mendapatkan training akurasi 81,61% dan validasi akurasinya 90,74%. Pada uji data 50 citra daun mendapatkan hasil akurasi 92% dengan 46 data yang terklasifikasi dan 4 data citra yang salah terklasifikasi. Temuan ini menunjukkan adanya potensi penggunaan CNN dengan model VGG16 dalam identifikasi dan pemilihan tanaman obat secara efisien dalam bidang medis dan farmasi. Penelitian ini memberikan landasan untuk pengembangan lebih lanjut dalam penelitian tentang tanaman obat dan pemanfaatan teknologi pengenalan pola untuk tujuan pengobatan dan farmasi.
{"title":"Identifikasi Jenis Daun Tanaman Obat Menggunakan Metode Convolutional Neural Network (CNN) Dengan Model VGG16","authors":"Sri Adiningsi, R. Saputra","doi":"10.33795/jip.v9i4.1420","DOIUrl":"https://doi.org/10.33795/jip.v9i4.1420","url":null,"abstract":"Tanaman obat memiliki peran penting dalam pengobatan alami dan pengembangan obat-obatan baru. Klasifikasi jenis daun tanaman obat menjadi langkah penting dalam penelitian ini. Saya mengusulkan metode klasifikasi menggunakan Convolutional Neural Network (CNN) dengan model VGG16 untuk mengenali jenis daun tanaman obat secara otomatis. Model VGG16 yang telah dilatih sebelumnya digunakan sebagai arsitektur dasar, dengan penyesuaian lapisan kustom yang sesuai. Pra-pemrosesan data dilakukan melalui augmentasi data, termasuk rotasi, pergeseran, dan pemotongan citra, untuk meningkatkan variasi data pelatihan. Dataset yang digunakan terdiri dari 10 jenis daun tanaman obat yang dikumpulkan secara eksklusif. Dari percobaan ini mendapatkan training akurasi 81,61% dan validasi akurasinya 90,74%. Pada uji data 50 citra daun mendapatkan hasil akurasi 92% dengan 46 data yang terklasifikasi dan 4 data citra yang salah terklasifikasi. Temuan ini menunjukkan adanya potensi penggunaan CNN dengan model VGG16 dalam identifikasi dan pemilihan tanaman obat secara efisien dalam bidang medis dan farmasi. Penelitian ini memberikan landasan untuk pengembangan lebih lanjut dalam penelitian tentang tanaman obat dan pemanfaatan teknologi pengenalan pola untuk tujuan pengobatan dan farmasi.","PeriodicalId":232501,"journal":{"name":"Jurnal Informatika Polinema","volume":"40 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"123992952","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：