Jurnal Teknik Informatika dan Sistem Informasi
Not a member yet
499 research outputs found
Sort by
Perancangan Aplikasi Mobile untuk Penyewaan Lapangan Olahraga dengan Metode Backend for Frontend
Full text link This study aims to design a mobile-based sports field rental system by applying the Backend for Frontend (BFF) architectural approach. The main problem addressed is the limitation or manual systems in terms of efficiency, schedule transparency. And ease of booking. The research was conducted through several stages, including data collection, user interface design using Figma, backend development using Laravel, and API endpoint testing via Postman. The system evaluation was based on the ISO/IEC 25010 standard, particularly focusing on functional suitability, performance efficiency, reliability, and maintainability. The test results show that all endpoints responded correctly, with an average response time ranging from 200 to 600 ms, and no server errors were found. These findings indicate that the Backend for Frontend BFF approach is effective in supporting a modular and efficient digital rental system that is ready for integration into mobile applications.Penelitian ini bertujuan untuk merancang sistem penyewaan lapangan olahraga berbasis mobile dengan menerapkan pendekatan arsitektur Backend for Frontend (BFF). Permasalahan yang diangkat adalah keterbatasan sistem manual dalam hal efisiensi, transparansi jadwal, dan kemudahan pemesanan. Penelitian ini dilakukan melalui tahapan pengumpulan data, perancangan antarmuka menggunakan Figma, pengembangan backend menggunakan Laravel, serta pengujian endpoint API menggunakan Postman. Evaluasi dilakukan berdasarkan standar ISO/IEC 25010, khususnya pada aspek functional suitability, performance efficiency, reliability, dan maintainability. Hasil pengujian menunjukan bahwa semua endpoint merespon dengan baik, dengan waktu rata-rata 200-600 ms dan tanpa ditemukan kesalahan server. Pada penelitian ini mengindikasikan bahwa pendekatan Backend for Frontend (BFF) efektif dalam mendukung sistem penyewaan digital yang modular, efisien, dan siap diintegrasikan dalam aplikasi mobile
Analisis Efektivitas Fusi Fitur Multimodal dalam Klasifikasi Citra Daun Herbal
Full text linkThis study aims to evaluate the performance of leaf image classification models based on feature fusion strategies that integrate shape, texture, and semantic representations. Three feature extraction methods were employed: Histogram of Oriented Gradients (HOG) for shape, Gabor Filter for texture, and Convolutional Neural Network (CNN) using MobileNetV2 for semantic features. Each feature type was tested using three classification algorithms: Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Random Forest (RF). Experimental results show that CNN features consistently outperformed the others, achieving the highest accuracy and F1-score, with a peak accuracy of 91.0% using CNN+SVM. In contrast, HOG and Gabor features resulted in significantly lower performance. Feature fusion—such as HOG+CNN and HOG+Gabor+CNN—did not improve performance and instead caused a notable decline, primarily due to the high dimensionality of HOG features, leading to the curse of dimensionality. Confusion matrix and ROC curve analyses confirmed that the CNN-based model achieved high inter-class separability, while models with fused features produced near-random predictions in several classes. These findings suggest that feature fusion does not inherently lead to better classification performance, particularly when dimensional imbalance is not addressed. The study recommends the use of single semantic features extracted from CNN for efficient and accurate leaf image classification, while also encouraging future research into adaptive fusion strategies such as feature weighting or multimodal integration.Penelitian ini bertujuan untuk mengevaluasi performa model klasifikasi citra daun herbal berdasarkan strategi fusi fitur yang menggabungkan representasi bentuk, tekstur, dan semantik. Tiga metode ekstraksi fitur digunakan: Histogram of Oriented Gradients (HOG) untuk bentuk, Gabor Filter untuk tekstur, dan Convolutional Neural Network (CNN) berbasis MobileNetV2 untuk semantik. Setiap jenis fitur diuji menggunakan tiga algoritma klasifikasi, yaitu Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Random Forest (RF). Hasil eksperimen menunjukkan bahwa fitur CNN secara konsisten menghasilkan akurasi dan F1-score tertinggi, mencapai 91,0% pada kombinasi CNN+SVM. Sebaliknya, fitur HOG dan Gabor memberikan hasil yang jauh lebih rendah. Penggabungan fitur melalui fusi (HOG+CNN, HOG+Gabor+CNN) justru menurunkan performa secara signifikan, disebabkan oleh dominasi dimensi tinggi HOG yang mengarah pada fenomena curse of dimensionality. Analisis confusion matrix dan kurva ROC menunjukkan bahwa model berbasis CNN memiliki separabilitas antar kelas yang tinggi, sementara fusi dengan HOG menghasilkan prediksi acak pada beberapa kelas. Hasil ini menunjukkan bahwa pendekatan fusi fitur tidak selalu memberikan peningkatan performa, terutama tanpa strategi pengendalian skala dan reduksi dimensi. Penelitian ini merekomendasikan penggunaan fitur CNN tunggal untuk aplikasi klasifikasi citra daun yang efisien dan akurat, serta membuka peluang eksplorasi strategi fusi berbasis bobot atau integrasi multimodal dalam penelitian mendatang
Penerapan Algoritma Pathfinding Pada Game Petualangan Pemadam Kebakaran Menggunakan Metode Learning Instructional Design
No full textFirefighters have responsibilities in fire and rescue incidents that do not exist in fire incidents, such as evacuating wasp nests, rescuing animals trapped in trees or wells, and so on. The importance of understanding the duties of a fire extinguisher is toprovide awareness to the public that with the existence of a fire extinguisher, the management of environmental resources is better maintained to realize environmental safety and security from the dangers of fire disasters. With very rapid technological information, presenting firefighting duties can be more interesting if presented with an adventure-themed 3D educational game. This research uses the Digital Game-Based Learning Instructional Design (DGBL-ID) method and applies a pathfinding algorithm to the path thatwill be taken. This research produces an Android-based firefighting adventure game application. Testing the level of user satisfactionobtained very satisfactory results, which were measured based on Black Box testing with the Guttman Scale method calculation.Pemadam kebakaran merupakan orang yang memiliki tanggung jawab dalam peristiwa kebakaran dan penyelamatan yang tidak ada hubungannya dengan peristiwa kebakaran seperti pengevakuasian sarang tawon, menyelamatkan hewan yang terjebak di atas pohon ataupun di dalam sumur dan lain sebagainya. Pentingnya memahami tugas pemadam kebakaran adalah untuk memberi kesadaran kepada masyarakat bahwa dengan adanya pemadam kebakaran pengelolaan sumber daya lingkungan dalam rangka mewujudkan keselamatan dan keamanan lingkungan dari bahaya peristiwa bencana kebakaran lebih terjaga. Dengan teknologi informasi yang sangat pesat, penyampaian mengenai tugas pemadam kebakaran dapat lebih menarik jika di sampaikan dengan game edukasi 3D bertema petualangan. Penelitian ini menggunakan metode Digital Game Based Learning Intructional Design (DGBL-ID) dan penerapan algoritma pathfinding pada jalur yang akan di lalui. Penelitian ini menghasilkan aplikasi game petualangan pemadam kebakaran berbasis android. Pengujian tingkat kepuasan pengguna memperoleh hasil yang sangat memuaskan hal tersebut diukur berdasarkan Black Box testing dengan bantuan perhitungan metode Skala Guttman
Implementasi Bidirectional Long Short-Term Memory untuk Identifikasi Entitas Saham
Full text linkOne of the financial products in the capital market that is in great demand is stock. Shares are proof of ownership of a company that fluctuates and tends to have a high level of risk and nonlinear price changes. To make the right investment decision, investors are required to be able to analyze the abundant stock information carefully and quickly. In facing this challenge, Named Entity Recognition (NER) can be a potential solution in analyzing stock information by recognizing stock entities and grouping them into certain labels. In this research, NER is developed with the Bidirectional Long Short-Term Memory algorithm, which is used to identify five stock entities: company name, stock code, stock index, industry sector, and sub-sector. With an accuracy of 99.81% on the test data, the Bi-LSTM algorithm can identify the entities well and group each token into the five entities.Salah satu produk keuangan di pasar modal yang banyak diminati adalah saham. Saham adalah bukti kepemilikan suatu perusahaan yang berfluktuasi dan cenderung memiliki tingkat risiko yang tinggi serta perubahan harga yang bersifat nonliniear. Untuk mendapat keputusan investasi yang tepat, investor dituntut untuk dapat melakukan analisis informasi saham yang sangat melimpah dengan teliti dan cepat. Dalam menghadapi tantangan ini, Named Entity Recognition (NER) dapat menjadi solusi yang berpotensi dalam analisis informasi saham dengan mengenali entitas saham serta mengelompokkannya ke label tertentu. Pada penelitian ini NER dikembangkan dengan algoritma Bidirectional Long Short-Term Memory, yang digunakan untuk mengidentifikasi lima entitas saham yaitu Nama Perusahaan, Kode Saham, Indeks Saham, Sektor Industri dan Sub Sektor. Dengan hasil accuracy sebesar 99.81% pada data pengujian, algoritma Bi-LSTM dapat mengidentifikasi entitas dengan baik dan mengelompokkan masing-masing token ke lima entitas tersebut
Peramalan Data Ekonomi Menggunakan Model Hybrid Vector Autoregressive-Long Short Term Memory
Full text linkFluctuations in stock prices and the Rupiah exchange rate create uncertainty for investors in their investment decision-making. One approach to minimizing investment risk is through forecasting utilizing a reliable method. Traditional forecasting models, such as Vector Autoregressive (VAR), are effective in capturing linear patterns but struggle to accommodate more complex patterns. On the other hand, modern deep learning models like Long Short Term Memory (LSTM) can handle dynamic patterns (both linear and nonlinear) but have limitations in consistently processing simultaneous relationships among variables. This research aims to develop a Hybrid forecasting model by integrating VAR and LSTM approaches to predict the Composite Stock Price Index (IHSG) and the Rupiah exchange rate against the US Dollar. The Hybrid VAR-LSTM model leverages the strengths of VAR for linear patterns and LSTM for nonlinear patterns in multivariate time series data. Using the OSEMN framework (Obtain, Scrub, Explore, Model, iNterpret), this study ensures a systematic and comprehensive analysis process. Data from January 2004 to December 2023 is used to build the model, while data from January to July 2024 is used for validation. The model's performance is evaluated using Mean Absolute Error (MAE) to measure the prediction error. The results indicate that the Hybrid VAR-LSTM model significantly improves prediction accuracy compared to the VAR model used independently, as evidenced by a reduction of 42.72 points in MAE for IHSG predictions and 55.82 points for Rupiah predictions.
Keywords — Composite Stock Price Index; Hybrid VAR-LSTM; OSEMN Framework; Rupiah Exchange Rate; Time Series Forecasting.Fluktuasi pada harga saham serta nilai tukar Rupiah menimbulkan ketidakpastian bagi investor dalam pengambilan keputusan investasi. Salah satu upaya meminimalisasi risiko investasi adalah dengan melalui peramalan menggunakan metode yang handal. Model peramalan tradisional seperti Vector Autoregressive (VAR) efektif menangkap pola linier, namun kurang mampu mengakomodasi pola yang lebih kompleks. Di sisi lain, model deep learning modern seperti Long Short Term Memory (LSTM) mampu menangani pola yang dinamis (linear dan nonlinear), tetapi memiliki keterbatasan dalam memproses hubungan simultan antara variabel secara konsisten. Penelitian ini bertujuan mengembangkan model peramalan Hybrid dengan mengintegrasikan pendekatan VAR dan LSTM untuk memprediksi Indeks Harga Saham Gabungan (IHSG) dan Kurs Rupiah terhadap Dollar Amerika. Model Hybrid VAR-LSTM memanfaatkan keunggulan VAR untuk pola linier serta LSTM untuk pola nonlinier dalam data deret waktu multivariat. Dengan kerangka kerja OSEMN (Obtain, Scrub, Explore, Model, iNterpret), penelitian ini memastikan proses analisis dilakukan secara sistematis dan komprehensif. Data dari Januari 2004 hingga Desember 2023 digunakan untuk membangun model, sementara data dari Januari hingga Juli 2024 digunakan untuk validasi. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE) untuk mengukur tingkat kesalahan dalam prediksi. Hasil menunjukkan bahwa model Hybrid VAR-LSTM mampu meningkatkan akurasi prediksi dibandingkan dengan model VAR secara independen, ditunjukkan oleh penurunan MAE sebesar 42,72 poin pada prediksi IHSG dan 55,82 poin pada prediksi Kurs Rupiah.
Kata kunci — Hybrid VAR-LSTM; Indeks Harga Saham Gabungan; Kerangka Kerja OSEMN; Kurs Rupiah; Peramalan Deret Waktu
Aplikasi Pengenalan Sistem Isyarat Bahasa Indonesia dengan Tensorflow Lite dan Firebase Authentication
Full text linkDeaf and mute individuals often face communication barriers with the general public due to limited understanding of sign language. This leads to a gap in social interaction and access to various public services. Government efforts to enhance social inclusion through various policies and programs need to be accompanied by practical solutions that can help the deaf and mute interact more easily with society. This study aims to develop a mobile application that can recognize and translate Indonesian Sign Language System (SIBI) into text or speech in real-time, thus helping the deaf and mute communicate more effectively with the general public. The application is designed using TensorFlow Lite for sign language recognition and Firebase Authentication for user authentication. The application was evaluated through questionnaires involving respondents from the general public and mobile experts. The results of the general user questionnaire showed an average satisfaction percentage of 86.65%, with positive ratings for ease of use, benefits, and application interface. Meanwhile, the results of the expert mobile questionnaire showed full satisfaction with an average percentage of 100%, indicating that all application features functioned well. The findings indicate that this application is effective in recognizing and translating sign language and is well-received by the deaf, mute, and the general public.Tunarungu dan tunawicara sering menghadapi hambatan dalam berkomunikasi dengan masyarakat umum karena keterbatasan pemahaman terhadap bahasa isyarat. Hal ini menyebabkan kesenjangan dalam interaksi sosial dan akses terhadap berbagai layanan publik. Upaya pemerintah untuk meningkatkan inklusi sosial melalui berbagai kebijakan dan program perlu diiringi dengan solusi praktis yang dapat membantu tunarungu dan tunawicara berinteraksi lebih mudah dengan masyarakat. Penelitian ini bertujuan untuk mengembangkan aplikasi mobile yang dapat mengenali dan menerjemahkan bahasa isyarat system isyarat bahasa Indonesia (SIBI) menjadi teks atau suara, secara real-time sehingga membantu tunarungu dan tunawicara berkomunikasi lebih efektif dengan masyarakat umum. Aplikasi ini dirancang menggunakan TensorFlow Lite untuk mengenali bahasa isyarat dan Firebase Authentication untuk autentikasi pengguna. Evaluasi aplikasi dilakukan melalui kuesioner yang melibatkan responden dari masyarakat umum dan responden dari kalangan expert mobile. Hasil kuesioner pengguna umum menunjukkan rata-rata persentase kepuasan sebesar 86,65%, dengan penilaian positif terhadap kemudahan penggunaan, manfaat, dan tampilan aplikasi. Sementara itu, hasil kuesioner expert mobile menunjukkan kepuasan penuh dengan rata-rata persentase 100%, menilai semua fitur aplikasi berjalan dengan baik. Hasil penelitian menunjukkan bahwa aplikasi ini efektif dalam mengenali dan menerjemahkan bahasa isyarat, serta diterima dengan baik oleh tunarungu, tunawicara, dan masyarakat umum
Perbandingan Kinerja Word Embedding dalam Analisis Sentimen Ulasan Pengguna Aplikasi Perjalanan
Full text linkTraveloka, as one of the leading travel booking platforms, has achieved more than 50 million downloads on Google Play Store. This achievement shows the high interest and trust of users in the services offered. However, user reviews indicate that there are some issues with the app's performance and stability that need to be taken into account. This research compares the performance of the Word2Vec and ELMo word embedding methods using the BiLSTM model in sentiment analysis of Traveloka application reviews. The research results show that the BiLSTM model with Word2Vec has an accuracy of 76.13%, precision 75.22%, and F1-measure 76.58%, better than the model with ELMo which has an accuracy of 74.38%, precision 70.49%, and F1-measure 74.40%. The BiLSTM model with Word2Vec is more effective in sentiment analysis of Traveloka reviews, helping identify and address user issues to improve service quality and user satisfaction.Traveloka, sebagai salah satu platform pemesanan perjalanan terkemuka, telah mencapai lebih dari 50 juta unduhan di Google Play Store. Pencapaian ini menunjukkan tingginya minat dan kepercayaan pengguna terhadap layanan yang ditawarkan. Namun, ulasan pengguna mengindikasikan adanya beberapa isu terkait performa dan kestabilan aplikasi yang perlu diperhatikan. Penelitian ini membandingkan performa metode word embedding Word2Vec dan ELMo menggunakan model BiLSTM dalam analisis sentimen ulasan aplikasi Traveloka. Hasil penelitian menunjukkan bahwa model BiLSTM dengan Word2Vec memiliki akurasi 76,13%, precision 75,22%, dan F1-measure 76,58%, lebih baik dibandingkan model dengan ELMo yang memiliki akurasi 74,38%, precision 70,49%, dan F1-measure 74,40%. Model BiLSTM dengan Word2Vec lebih efektif dalam analisis sentimen ulasan Traveloka, membantu mengidentifikasi dan menangani isu-isu pengguna guna meningkatkan kualitas layanan dan kepuasan pengguna
Evaluasi Kebergunaan dan Pembangunan Website Online Library Information System Menggunakan Think Aloud
No full textUsability refers to the quality of the user experience when interacting with a product or system, including websites, software, devices or applications. Usability is about effectiveness, efficiency and overall user satisfaction. OLIS (Online Library Information System) is an information system that functions as a catalog for managing the Del Institute of Technology library. Based on the usability value measurement results, the OLIS website has an SUS value of 41.25 or a “poor” level of usability. This shows that the usability aspect of the website must be improved. To achieve good usability, a usability evaluation is carried out using the think aloud method. This evaluation is carried out for at least 2 iterations until the OLIS usability value reaches a minimum value of 80. The results of the first iteration evaluation are 18 problem findings which are then analyzed to make the first iteration improvement design. Furthermore, the second iteration identifies problems from the first evaluation and produces 17 usability problems which will then be analyzed to make a second iteration improvement design that will be made into the final high fidelity prototype. The SUS measurement results on the OLIS website which have been evaluated by think aloud is 85.25 or the usability level is "excellent".Usability mengacu pada kualitas pengalaman pengguna saat berinteraksi dengan produk atau sistem, termasuk website, perangkat lunak, perangkat, ataupun aplikasi. Usability adalah tentang efektivitas, efisiensi, dan kepuasan pengguna secara keseluruhan. OLIS (Online Library Information Sytem) merupakan sistem informasi yang berfungsi sebagai katalog untuk mengelola perpustakaan Institut Teknologi Del. Berdasarkan hasil pengukuran nilai usability, website OLIS memiliki nilai SUS sebesar 41,25 atau level usability tingkat “poor”. Hal ini menunjukan bahwa aspek usability dari website tersebut harus ditingkatkan. Untuk mencapai usability yang baik dilakukan evaluasi usability menggunakan metode think aloud. Evaluasi ini dilakukan sebanyak minimal 2 kali iterasi sampai nilai usability OLIS mencapai nilai minimal 80. Hasil dari evaluasi iterasi pertama adalah adalah 18 temuan masalah yang kemudian dianalisis untuk membuat desain perbaikan iterasi pertama. Selanjutnya, iterasi kedua mengidentifikasi masalah dari evaluasi pertama dan menghasilkan 17 masalah usability yang selanjutnya akan dianalisis untuk membuat desain perbaikan iterasi kedua yang akan dibuat menjadi high fidelity prototype akhir. Hasil pengukuran SUS pada website OLIS yang sudah dievaluasi dengan think aloud adalah sebesar 85,25 atau level usability tingkat “excellent”
Perbandingan Multifaktor Evaluation dan Fuzzy Analytic Hierarchy Process pada Kualitas Biji Kopi
Full text linkThe development of information technology in the agricultural sector is crucial, including in determining coffee bean quality. This research implements a comparison of decision support systems (DSS) using the Multifactor Evaluation Process (MFEP) and Fuzzy Analytic Hierarchy Process (FAHP) methods to assess coffee bean quality based on moisture content, Trase, defects, color, aroma, and bean size. The results show that FAHP has an accuracy of 77%, higher than MFEP with an accuracy of 71%. Thus, FAHP is more effective in determining the farmers with the best coffee beans, thereby helping to improve the economic well-being of farmers and cooperatives.Pengembangan teknologi informasi dalam sektor pertanian sangat penting, termasuk dalam menentukan kualitas biji kopi. Penelitian ini mengimplementasikan perbandingan sistem pendukung keputusan (DSS) menggunakan metode Multifactor Evaluation Process (MFEP) dan Fuzzy Analytic Hierarchy Process (FAHP) untuk menilai kualitas biji kopi berdasarkan kadar air, Trase, kecacatan, warna, aroma, dan ukuran biji. Hasil menunjukkan bahwa FAHP memiliki akurasi 77%, lebih tinggi dibandingkan MFEP dengan akurasi 71%. Dengan demikian, FAHP lebih efektif dalam menentukan petani dengan biji kopi terbaik, sehingga membantu meningkatkan efisiensi kebutuhan petani dan koperasi
Perbandingan Kernel Convolutional Neural Network dalam Pengenalan dan Transliterasi Kata Aksara Lampung
Full text linkThe study aims to create a system that can recognize and transliterate Lampung script image data and compare the Convolutional Neural Network (CNN) kernel to the Lampung script word recognition and transliteration system. The Lampung script recognition and transliteration system with the CNN learning model is implemented using the python 3.9.4 64 bit programming language, with a stride of 1 for convolution and 2 for pooling, the kernel size variations used are 2x2, 3x3 and 5x5 which are applied crosswise for feature extraction of the convolution and pooling processes. The 3x3 convolution kernel type and 3x3 pooling kernel showed the best performance in transliterating and recognizing Lampung script words with a test accuracy of 0.9 and a small test result data inequality, which is 2/10 or 0.2. The 3x3 Kernel Size shows ideal conditions for use, especially when the image features used have very few differences in features.Penelitian bertujuan untuk membuat suatu sistem yang dapat mengenali dan mentransliterasi data citra aksara Lampung dan melakukan perbandingan kernel Convotional Neural Network (CNN) terhadap sistem pengenalan dan transliterasi kata aksara Lampung. Sistem pengenalan dan transliterasi aksara Lampung dengan model pembelajaran CNN diaplikasikan menggunakan bahasa pemrograman python 3.12.5 64 bit, dengan stride sebesar 1 untuk konvolusi dan 2 untuk pooling, variasi ukuran kernel yang digunakan adalah 2x2, 3x3 dan 5x5 yang diaplikasikan secara bersilang untuk ekstraksi ciri proses konvolusi dan pooling. Tipe kernel konvolusi 3x3 dan kernel pooling 3x3 menunjukkan kinerja terbaik dalam melakukan transliterasi dan pengenalan kata aksara Lampung dengan akurasi pengujian sebesar 0.9 dan kesetimpangan data hasil pengujian yang kecil, yaitu 2/10 atau 0.2 . Ukuran Kernel 3x3 menunjukan kondisi yang ideal untuk digunakan terutama ketika ciri citra yang digunakan memiliki perbedaan ciri yang sangat sedikit