TUGAS PENGGANTI UAS

METODOLOGI PENELITIAN

15 CONTOH REVIEW JURNAL

Nama : Garry Johanes

NPM : 220210024
Dosen : Prof. Asosiat Dr. Suhardi, S.E., M.M

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN KOMPUTER
UNIVERSITAS PUTERA BATAM
2024
 Riview Jurnal

1. EDUCATIONAL GAME FOR LEARNING COMPUTATIONAL THINKING

IN A LOW BUDGET VIRTUAL REALITY ENVIRONMENT
Judul Jurnal EDUCATIONAL GAME FOR LEARNING
COMPUTATIONAL THINKING IN A LOW
BUDGET VIRTUAL REALITY ENVIRONMENT
Nama Author/Penulis Sukirman, Dias Aziz Pramudita, Abdylla Adhiyasa
Nugroho, Muhammad Rizky Aminudin
Tahun 2023
Volume Vol.12
No. dan Halaman No.1 dan Halaman 8-15
Tempat published Jurnal JANAPATI (Jurbnal Nasional Pendidikan Teknik
Informatika)
Tautan Jurnal https://ejournal.undiksha.ac.id/index.php/janapati/articl
e/view/52743/25502
Tujuan Penelitian Riset ini bertujuan buat meningkatkan permainan
bimbingan berbasis area VR berbiaya rendah buat
pendidikan berpikir komputasi (CT), sebagai salah satu
keahlian diabad ke- 21 yang butuh tahap dipelajari siswa.
Tata cara yang diperankan merupakan Design and
Development Research (DDR) yang terdapat dari 5 sesi
ialah analisis, desain, pengembangan, pengujian, serta
penilaian.
Hipotesis Penelitian Virtual Reality, Game Edukasi, Anggaran Rendah, dan
Berpikir Komputasional, Penerimaan Teknologi Model
Populasi dan Sampel 30 Siswa Kelas X SMK Jurusan Teknik Komputer dan
Jaringan
Metode Pengambilan Sampel Demografi Peserta
Metode Penelitian Metode yang digunakan adalah Design and
Development Research (DDR) yang terdiri dari lima
tahap yaitu analisis, desain, pengembangan, pengujian,
dan evaluasi.
Hasil dan Pembahasan Bersumber pada informasi yang terdapat dalam analisis
yang dicoba, skor Cronbachs alpha PU serta PEU tiap-
tiap sebesar 0, 714 serta 0, 614. Sebaliknya skor
Cronbachs alpha ATU serta ITU tiap- tiap sebesar 0, 754
serta 0, 882. PU serta PEU berhubungan positif sama
ATU, sebaliknya ATU pula berhubungan positif sama
ITU. Maksudnya kemudahan pemakaian aplikasi serta
aspek khasiat aplikasi yang dibesarkan mempengaruhi
positif atas perilaku pengguna.
Kesimpulan Bisa disimpulkan kalau permainan edukasi berbasis area
VR berbiaya rendah ini bisa manfaat buat pendidikan
CT. Perihal ini nampak dari hasil analisis serta sebagian
 pendapat positif atas siswa, semacam kemauan
partisipan buat bisa memakai pendekatan pendidikan ini
cukup mata pelajaran yang lain
Keunggulan 1. Lingkungan Virtual Reality (VR) beranggaran
rendah: Jurnal ini berfokus pada pengembangan
game edukasi untuk mempelajari pemikiran
komputasi dalam lingkungan VR beranggaran
rendah. Hal ini menyoroti keterjangkauan dan
aksesibilitas teknologi VR untuk tujuan
pendidikan.
2. Pembelajaran Berbasis Game: Jurnal ini
mengeksplorasi penggunaan pembelajaran
berbasis game untuk mendorong pemikiran
komputasi. Hal ini menekankan sifat interaktif
dan menarik dari permainan dalam
meningkatkan hasil pembelajaran.
3. Kegunaan dan Kegunaan yang Dirasakan: Studi
ini menyelidiki kegunaan dan kegunaan yang
dirasakan dari game edukasi berbasis VR. Ini
mengkaji bagaimana faktor-faktor ini
mempengaruhi sikap dan perilaku pengguna
terhadap aplikasi game.
4. Respon Pengguna Positif: Secara keseluruhan
evaluasi aplikasi game VR pada jurnal mendapat
respon positif dari pengguna. Mereka
menyatakan kesenangan dan minat terhadap
lingkungan permainan dan menyatakan
keinginan untuk penerapannya pada mata
pelajaran lain.
5. Adaptasi ke VR: Jurnal ini mengakui bahwa
beberapa pengguna mungkin mengalami
ketidaknyamanan awal, seperti mabuk
perjalanan, saat menggunakan perangkat VR
untuk pertama kalinya. Namun, hal ini menyoroti
bahwa pengguna dapat beradaptasi dan
mengatasi masalah ini jika terus
menggunakannya.

Efektivitas Biaya: Jurnal ini membahas pertimbangan

anggaran perangkat VR untuk aplikasi pendidikan. Ini
membedakan antara perangkat VR beranggaran rendah
dan kelas atas, menyoroti keterjangkauan opsi
beranggaran rendah seperti Samsung Gear VR dan
Google Cardboard.
Kekurangan 1. Ukuran Sampel Kecil: Penelitian ini memiliki
ukuran sampel yang relatif kecil, yang mungkin
membatasi kemampuan generalisasi temuan.
Ukuran sampel yang lebih besar akan
memberikan hasil yang lebih kuat dan
 pemahaman yang lebih baik tentang efektivitas
game edukasi berbasis VR.
2. Kurangnya Kelompok Kontrol: Jurnal tidak
menyertakan kelompok kontrol untuk tujuan
perbandingan. Memiliki kelompok kontrol akan
memungkinkan penilaian yang lebih akurat
mengenai dampak permainan VR terhadap hasil
pembelajaran.
3. Cakupan Terbatas: Jurnal ini berfokus secara
khusus pada pengembangan dan evaluasi game
edukasi berbasis VR berbiaya rendah untuk
pemikiran komputasi. Itu tidak mengeksplorasi
aspek lain dari pemikiran komputasi atau
pendekatan pendidikan alternatif.
4. Kurangnya Evaluasi Jangka Panjang: Studi ini
terutama berfokus pada respons langsung
pengguna dan manfaat yang dirasakan dari game
VR. Penelitian ini tidak menilai dampak jangka
panjang dari permainan tersebut terhadap
keterampilan berpikir komputasi siswa atau
retensi pengetahuan mereka.
5. Potensi Bias: Penelitian ini mengandalkan data
yang dilaporkan sendiri oleh para partisipan,
yang mungkin memiliki bias atau efek keinginan
sosial. Penelitian di masa depan dapat
mempertimbangkan untuk memasukkan
pengukuran atau observasi objektif untuk
meningkatkan validitas temuan.

2. LSTM NETWORK HYPERPARAMETER OPTIMIZATION FOR STOCK

PRICE PREDICTION USING THE OPTUNA FRAMEWORK
Judul Jurnal LSTM NETWORK HYPERPARAMETER
OPTIMIZATION FOR STOCK PRICE PREDICTION
USING THE OPTUNA FRAMEWORK
Nama Author/Penulis Edi Ismanto, Vitriani
Tahun 2023
Volume Vol.9
No. dan Halaman No.1 dan Halaman 22-35
Tempat published Jurnal JITEKI (Jurnal Ilmiah Tekmik Elektro Komputer Dan
Informatika)
Tautan Jurnal http://journal.uad.ac.id/index.php/JITEKI/article/view/
24944/pdf_165
Tujuan Penelitian Tujuan penelitian ini merupakan buat memaksimalkan tipe
jaringan LSTM yang bisa digunakan buat memperkirakan
sebuah harga saham. Oleh sebab itu, dianjurkan sebuah tipe
pendidikan untuk mendetail mendasar di LSTM yang
 menggunakan rangka Optuna serta memperkirakan optimasi
hyperparameter
Hipotesis Penelitian Model LSTM dengan hyperparameter yang dioptimalkan
menggunakan kerangka Optuna mengungguli model dengan
hyperparameter yang disetel secara manual dalam hal
akurasi prediksi harga saham.
Populasi dan Sampel Performa Akurasi Model dan Penyetelan Hyperparameter
Metode Pengambilan Metode LSTM
Sampel
Metode Penelitian kuantitatif
Hasil dah Pembahasan LSTM serta parameter yang dimaksimalkan sebuah fungsi
buat memperkirakan harga saham memakai rangka optuna.
Saya mengecek beberapa hyperparameter atas sebagian
arsitektur LSTM, tercantum pengoptima (SGD, Adagrad,
RMSprop, Nadam, Adamax, serta Adam), sebagai bidang
tertutup dalam LSTM, tingkatan dropout, epoch, dimensi
batch, serta kecepatan pendidikan. Saya membuat 4 tipe
LSTM yang hendak diuji: model 1 LSTM tunggal, model 2
LSTM tunggal, model 1 LSTM bertumpuk, serta model 2
LSTM bertumpuk. Keempat model LSTM diuji sama
memakai harga saham ADBL
Kesimpulan Makalah ini menyediakan tipe hubungan yang mendasar
LSTM buat pendugaan harga saham selaku simultan.
Sebagai rangka kerja Optuna diperanan untuk membuat
optimasi hyperparameter atas 4 tipe jaringan LSTM, yang
terbuat atas alterasi berbeda. Selaku struktur model,
kerangka algoritmik, serta desain eksperimental seluruhnya
dipaparkan.
Keunggulan 1. Menerapkan framework Optuna untuk optimasi
hiperparameter dalam model LSTM untuk
memprediksi harga saham .
2. Melakukan evaluasi dan analisis terhadap pencarian
hiperparameter optimal dalam model LSTM.
3. Menyajikan beberapa arsitektur LSTM yang
berbeda, termasuk optimizers, unit tersembunyi
LSTM, dropout rates, epochs, batch size, dan
learning rate .
4. Menunjukkan bahwa model LSTM tunggal versi 1
memiliki kinerja terbaik dengan tingkat kesalahan
yang paling rendah .
5. Menggunakan metrik evaluasi Root Mean Square
Error (RMSE) untuk mengukur keakuratan model
LSTM.
Kekurangan 1. Tidak ada perbandingan dengan metode atau model
lain untuk memprediksi harga saham. Jurnal ini
hanya fokus pada penggunaan model LSTM dengan
optimasi hiperparameter menggunakan framework
Optuna .
 2. Tidak ada analisis statistik yang mendalam terhadap
hasil prediksi harga saham yang diperoleh dari model
LSTM yang dioptimalkan .
3. Tidak ada penjelasan yang cukup detail tentang
dataset yang digunakan, seperti sumber data, periode
waktu, dan jumlah sampel .
4. Tidak ada penjelasan yang cukup detail tentang
bagaimana model LSTM dikembangkan dan
diimplementasikan dalam jurnal ini .
5. Tidak ada penjelasan tentang bagaimana model
LSTM yang dioptimalkan dapat digunakan dalam
praktik nyata atau diadopsi oleh industri keuangan .

3. APPLICATION OF THE MACHINE LEARNING METHOD FOR

PREDICTING INTERNATIONAL TOURISTS IN WEST JAVA INDONESIA
USING THE AVEREGEBASED FUZZY TIME SERIES MODEL
Judul Jurnal APPLICATION OF THE MACHINE LEARNING
METHOD FOR PREDICTING INTERNATIONAL
TOURISTS IN WEST JAVA INDONESIA USING THE
AVEREGEBASED FUZZY TIME SERIES MODEL
Nama Author/Penulis Sri Nurhayati,Syahrul, Riani Lubis dan Muhammad Fajar
Wicaksono
Tahun 2023
Volume Vol.9
No. dan Halaman No.1 dan Halaman 1-11
Tempat published Jurnal JITEKI (Jurnal Ilmiah Tekmik Elektro Komputer Dan
Informatika)
Tautan Jurnal http://journal.uad.ac.id/index.php/JITEKI/article/view/
25475/pdf_163
Tujuan Penelitian Tujuan atas riset ini merupakan buat menganjurkan
apakah tipe deret waktu fuzzy mendasar umumnya layak
dibuatkan atas memperkirakan jumlah turis mancanegara
yang tiba ke Jawa Barat, Indonesia.
Hipotesis Penelitian Hipotesis penelitian ini adalah bahwa penggunaan metode
Average-Based Fuzzy Time Series dalam memprediksi
jumlah wisatawan internasional di Jawa Barat akan
menghasilkan tingkat akurasi yang tinggi.
Populasi dan Sampel Populasi dalam riset ini merupakan segala informasi
jumlah turis yang tiba ke Jawa Barat serta Ilustrasi
dipecah jadi 3 ilustrasi dimana ilustrasi awal merupakan
informasi jumlah wisman bulan Januari 2017 hingga April
2020 sebesar 40 informasi, ilustrasi kedua merupakan
informasi jumlah wisman bulan Januari 2018 hingga April
2020 sebesar 29 informasi, serta ilustrasi terakhir
memakai informasi jumlah turis mancanegara pada
 periode Januari 2019 hingga Maret 2020 sebesar 16
informasi.
Metode Pengambilan Sampel Metode Fuzzy Time Series dan Mean Length- Algoritma
Berbasis Sebagai Penentu Panjang Interval.
Metode Penelitian kuantitatif
Hasil dah Pembahasan Bersumber pada hasil uji perkiraan terdapat nilai Mean
Absolute Percentage Error( MAPE) sejumlah angka
14,71%. Sehingga hasil tercantum menampilkan kalau
tipe deret waktu fuzzy bersumber pada umumnya panjang
interval yang baik buat perkiraan.
Kesimpulan Tata cara perkiraan baik dibuatkan memperkirakan
sejumlah turis mancanegara bersumber pada nilai MAPE
terkecil. Panjang interval serta jumlah informasi
pengaruhi hasil perkiraan. Bersumber pada hasil uji.
Perihal ini menampilkan kalau rata- rata bersumber pada
model fuzzy time series membagikan nilai MAPE sebesar
14,71%. yang berarti tipe baik akan proses perkiraan .
Keunggulan Keunggulan dari jurnal ini adalah penerapan metode
Machine Learning untuk memprediksi jumlah wisatawan
internasional di Jawa Barat, Indonesia menggunakan
model Average-Based Fuzzy Time Series. Metode ini
dapat membantu dalam meramalkan jumlah wisatawan
dengan akurasi yang tinggi. Selain itu, jurnal ini juga
mencakup potensi pariwisata di Jawa Barat dan
pentingnya pengembangan pariwisata untuk pertumbuhan
ekonomi
Kekurangan Kekurangan dari jurnal ini adalah kurangnya penjelasan
mengenai data yang digunakan dalam penelitian ini,
seperti sumber data, periode pengumpulan data, dan
metode pengumpulan data. Selain itu, jurnal ini juga tidak
memberikan informasi mengenai validitas dan reliabilitas
model yang digunakan dalam penelitian ini.

4. PREDICTIVE ANALYTICS ON COVID-19 DATA USING HIVE BASED ON

HADOOP CLUSTER
Judul Jurnal PREDICTIVE ANALYTICS ON COVID-
19 DATA USING HIVE BASED ON
HADOOP CLUSTER
Nama Author/Penulis Ali Abbood Khaleel, Ali Noori Kareem, dan
Laith Hikmet Mahdi
Tahun 2023
Volume Vol.31
No. dan Halaman No.2 dan Halaman 945-956
Tempat published Jurnal IAESCORE (Indonesian Journal of
Electrical Engineering and Computer
Science)
 Tautan Jurnal http://doi.org/10.11591/ijeecs.v31.i2.pp945-
956
Tujuan Penelitian Pada Pandemi saat ini COVID- 19 sudah
menemukan kepedulian sungguh- sungguh
pada akademisi, industri, serta pemerintah
buat membatalkan tingginya nilai kematian
serta kendala ekonomi di segala dunia.
Sehingga beberapa metode yang sudah
dibuatkan mengatur penyaluran pandemi
atas menguasai ciri serta perilakunya.
Hipotesis Penelitian Hipotesis penelitian pada jurnal tersebut
adalah bahwa penggunaan sistem
terdistribusi menggunakan Hive berbasis
klaster Hadoop dapat meningkatkan kinerja
dalam melakukan kueri dan analisis data
COVID-19 dibandingkan dengan sistem
manajemen basis data relasional (RDBMS)
konvensional.
Populasi dan Sampel -
Metode Pengambilan Sampel Hive Berbasis Cluster Hadoop
Metode Penelitian kuantitatif
Hasil dah Pembahasan Dalam hal Eksperimen menampilkan kalau
sistem yang dianjurkan dalam melewati
sistem manajemen basis informasi
relasional( RDBMS) pada perihal waktu
pengecekan kueri. Shingga Eksperimen pula
menampilkan kalau sistem yang dianjurkan
mempunyai efisiensi yang lebih baik sama
perihal pemuatan informasi, pembedahan I/
O, membaca serta menulis data
Kesimpulan Hive diperanan atas cluster Hadoop buat
meminta serta menasyrihkan gabungan
informasi COVID- 19. Pertimbangan atas
RDBMS serta pekerjaan yang saya
dianjurkan sudah dicoba. Sebagian properti
serta parameter Hive semacam kompresi,
fashion ketat MapReduce, pekerjaan
penurunan paralel, serta pengoptimalan
mendasar bayaran, serta jalur catatan yang
dimaksimalkan sudah disetel serta diaktifkan
buat tingkatkan pekerjaan yang dianjurkan.
Keunggulan 1. Penelitian ini menggunakan sistem
terdistribusi menggunakan Hive
berbasis klaster Hadoop untuk
melakukan kueri dan analisis data
COVID-19. Hal ini memungkinkan
penanganan data yang besar dan
kompleks dengan efektif dan efisien.
 2. Penelitian ini melakukan
perbandingan antara penggunaan
sistem terdistribusi menggunakan
Hive dengan sistem manajemen basis
data relasional (RDBMS)
konvensional. Hasilnya
menunjukkan bahwa penggunaan
Hive dapat mengungguli RDBMS
dalam hal waktu pemrosesan kueri.
3. Penelitian ini melakukan penyetelan
dan pengoptimalan terhadap
beberapa parameter dan properti
Hive untuk meningkatkan kinerja
sistem. Hasilnya menunjukkan
bahwa penyetelan ini berhasil
meningkatkan waktu eksekusi kueri
dan skalabilitas sistem.
4. Penelitian ini menggunakan dataset
COVID-19 yang disediakan oleh
Rumah Sakit Pengajaran Baqubah
untuk melakukan evaluasi kinerja
sistem. Dalam penelitian ini, dataset
tersebut diperbesar menjadi puluhan
Gigabyte untuk menciptakan
skenario big data.
5. Penelitian ini dilakukan oleh tim
peneliti yang memiliki latar belakang
dan keahlian dalam bidang big data
analytics, cloud computing, high
performance computing, parallel
computing, distributed computing,
dan storage.
Kekurangan 1. Tidak disebutkan secara rinci
mengenai metode pengumpulan data
yang digunakan dalam penelitian ini.
Informasi mengenai sumber data
COVID-19 yang digunakan dan
proses pengumpulan data tersebut
akan memberikan pemahaman yang
lebih baik tentang validitas dan
representativitas data yang
digunakan dalam penelitian.
2. Tidak ada analisis statistik yang
dilakukan untuk menguji signifikansi
perbedaan antara penggunaan sistem
terdistribusi menggunakan Hive
dengan sistem manajemen basis data
relasional (RDBMS) konvensional.
Analisis statistik dapat memberikan
 kepercayaan lebih terhadap hasil
penelitian dan memastikan bahwa
perbedaan yang diamati bukan hanya
kebetulan semata.
3. Tidak ada pembahasan mengenai
keterbatasan dan generalisasi hasil
penelitian. Informasi mengenai
keterbatasan penelitian, seperti
batasan sampel atau populasi, dapat
membantu pembaca dalam
mengevaluasi sejauh mana hasil
penelitian ini dapat diterapkan pada
konteks yang lebih luas.
4. Tidak ada penelitian lanjutan atau
rekomendasi untuk penelitian masa
depan. Penelitian ini dapat diperluas
dengan melibatkan variabel
tambahan atau menggunakan metode
analisis yang lebih canggih.
Rekomendasi untuk penelitian masa
depan akan memberikan arah bagi
peneliti lain yang tertarik untuk
melanjutkan penelitian ini.

5. AN ADAPTIVE SYSTEM FOR PREDICTING STUDENT

ATTENTIVENESS IN ONLINE CLASSROOMS
Judul Jurnal AN ADAPTIVE SYSTEM FOR
PREDICTING STUDENT
ATTENTIVENESS IN ONLINE
CLASSROOMS
Nama Author/Penulis Bhavna Gupta, Richa Sharma, Roli Bansal,
Gagan Kumar Soni, Parul Negi, Paawan
Purdhani
Tahun
Volume Vol.32
No. dan Halaman No.2 dan Halaman 1136-1146
Tempat published Jurnal IJEECS (The Indonesian Journal of Electrical
Engineering and Computer Science)
Tautan Jurnal http://doi.org/10.11591/ijeecs.v31.i2.pp1136-
1146
Tujuan Penelitian Efektivitas metode pengajaran tergantung
pada apakah siswa memperhatikan selama
perkuliahan. Sehingga dalam Pendidikan di
kelas melakukan tatap muka, kepada guru
bisa menevaluasi apakah siswa menanggapi
adanya mata pelajaran yang berlandaskan
ekspresi muka mereka.
 Hipotesis Penelitian -
Populasi dan Sampel Sejumlah data ini menyeluruhi video pada 10
bagian online, tiap-tiap terdiri sejumlah 40
anggota berumur sekitar 19 sampai 45 tahun,
serta dalam mayoritas (80%) berusaia kira-
kira 19 dan 21 tahun.
Metode Pengambilan Sampel Pada Histogram gradien pusat (HOG) serta
algoritma support vector machine (SVM)
digunakan sebuah identifikasi di wajah.
Metode Penelitian kuantitatif
Hasil dah Pembahasan Saya untuk mencoba algoritma saya atas
sistem yang dilengkapi bersama prosesor
yaitu Ryzen 3 maupun RAM 8 GB serta
memakai data di real-time yang digabungkan
oleh penelitian ini. Sehingga Tujuan
pemungutan data yaitu selama
menggabungkan contoh nyata karakter siswa
yang cukup kepedulian serta lalai dalam
kursus online. Selain itu, data yang dibuatkan
atas penelitian ini diberi catatan semacam
lalai ataupun lalai berlandasakan sebuah
keadaaan dan rasio mata.
Kesimpulan Pada Budaya di kelas online yang menjadi
populer adanya dampak peredaran pandemi
COVID-19 sedang menetap karena
membantu model pembelajaran kapan saja, di
mana saja. Tetapi, lingkungan ini masih baru
serta mempunyai banyak kelemahan. Oleh
karena itu masalah yang tersulitkan oleh guru
yaitu tidak memahami apakah siswa
berpartisipasi aktif selama pembelajaran.
Pada penelitian ini, saya mengusulkan model
atas mengidentifikasi berbagai kondisi mata
siswa (terbuka, setengah terbuka, serta
tertutup) dan mengategorikan menjadi
kepedulian atau lalai.
Keunggulan -
Kekurangan -
1.
6. PREDIKSI INTERAKSI PROTEIN-PROTEIN BERBASIS SEKUENS
PROTEIN MENGGUNAKAN FITUR AUTOCORRELATION DAN
MACHINE LEARNING
Judul Jurnal PREDIKSI INTERAKSI PROTEIN-
PROTEIN BERBASIS SEKUENS
PROTEIN MENGGUNAKAN FITUR
AUTOCORRELATION DAN MACHINE
LEARNING
 Nama Author/Penulis Syahid Abdullah, Wisnu Ananta Kusuna ,
Sony Hartono Wijaya
Tahun 2022
Volume Vol.10
No. dan Halaman No.1 dan Halaman 1-11
Tempat published Jurnal JTSiskom (Jurnal Teknologi dan Sistem
Komputer)
Tautan Jurnal http://doi.org/10.14710/jtsiskom.2022.13984
Tujuan Penelitian Pada Interaksi protein- protein (PPI) bisa
dibuatkan memastikan guna sesuatu protein
saat mengenali posisi protein ketika jaringan
interaksi protein Sejumlah PPI yang
pengenalan relatif sedikit. Oleh sebab itu,
sebagian riset dicoba buat memperkirakan
PPI memakai data susunan protein.
Hipotesis Penelitian Hipotesis penelitian ini adalah bahwa
penggunaan fitur autocorrelation dan
algoritme machine learning seperti KNN,
RF, dan SVM dapat digunakan untuk
memprediksi Protein-Protein Interaction
(PPI) dengan baik.
Populasi dan Sampel alam penelitian ini, populasi yang digunakan
adalah pasangan Protein-Protein Interaction
(PPI) yang diperoleh dari basis data IJAH,
STRING, dan UniProt. Jumlah pasangan
protein yang diperoleh sebelum praproses
adalah 68.628 pasang. Setelah dilakukan
praproses data, jumlah pasangan protein
menjadi 32.364 pasang pada masing-masing
kelas atau sejumlah 64.728 pasang pada
keseluruhan gugus data. Sampel yang
digunakan dalam penelitian ini adalah
sejumlah pasangan protein yang terlibat
dalam PPI kelas positif dan negatif setelah
dilakukan praproses data. Jumlah sampel
pada masing-masing kelas adalah 32.364
pasang protein
Metode Pengambilan Sampel Metode Moran, Geary, dan Moreau-Broto
autocorrelation
Metode Penelitian kuantitatif
Hasil dan Pembahasan Dikenal jika fitur yang didapatkan bagi
ketiga tata cara autocorrelation tersebut bisa
menciptakan prediksi saat rerata akurasi yang
besar, ialah sebanyak 95,34% buat Geary di
KNN, 97,43% buat Geary di RF, serta
97,11% buat Geary serta Moran di SVM.
Tidak hanya itu, dari riset ini pula dikenal
kalau pendamping protein yang berhubungan
 cenderung mempunyai fitur autocorrelation
yang serupa. Dengan demikian, tata cara
autocorrelation bisa dipertimbangkan selaku
tata cara yang bisa memperkirakan PPI
dengan baik.
Kesimpulan Tata cara Moran, Geary, serta Moreau- Broto
autocorrelation sukses diterapkan buat
mengekstraksi untuk fitur sekuens protein
atas PPI. Pada Fitur berdampak bagi ketiga
tata cara tersebut bisa dibuatkan
memperkirakan PPI atas sebagian algoritme
machine learning, ialah KNN, RF, serta
SVM.
Keunggulan 1. Penggunaan fitur autocorrelation:
Jurnal ini menggunakan fitur
autocorrelation untuk mengekstraksi
informasi dari sekuens asam amino
dalam pasangan Protein-Protein
Interaction (PPI). Fitur ini telah
terbukti efektif dalam memprediksi
interaksi protein.
2. Penggunaan algoritme machine
learning: Jurnal ini menggunakan
algoritme machine learning seperti
KNN, RF, dan SVM untuk
memprediksi PPI. Ketiga algoritme
ini telah banyak digunakan dan
terbukti berhasil dalam berbagai
aplikasi bioinformatika.
3. Evaluasi kinerja yang komprehensif:
Jurnal ini melakukan evaluasi kinerja
dari ketiga algoritme klasifikasi yang
digunakan untuk memprediksi PPI.
Evaluasi dilakukan dengan
menggunakan metrik akurasi,
spesifisitas, sensitivitas, dan presisi,
sehingga memberikan gambaran
yang komprehensif tentang kinerja
algoritme.
4. Penggunaan sampel yang
representatif: Jurnal ini
menggunakan sampel pasangan
protein yang terlibat dalam PPI dari
basis data yang terpercaya seperti
IJAH, STRING, dan UniProt. Hal ini
memastikan bahwa sampel yang
digunakan dalam penelitian ini
representatif dan dapat diandalkan.
 Kekurangan 1. Terbatasnya variasi algoritme
machine learning yang digunakan:
Jurnal ini hanya menggunakan tiga
algoritme machine learning, yaitu
KNN, RF, dan SVM. Meskipun
ketiga algoritme ini telah terbukti
berhasil dalam berbagai aplikasi
bioinformatika, namun penelitian ini
tidak mencoba menggunakan
algoritme lain yang mungkin
memiliki kinerja yang lebih baik
dalam memprediksi PPI.
2. Tidak adanya analisis statistik yang
mendalam: Jurnal ini tidak
melakukan analisis statistik yang
mendalam terkait dengan hasil
prediksi yang diperoleh. Analisis
statistik yang lebih komprehensif
dapat memberikan pemahaman yang
lebih baik tentang keandalan dan
signifikansi dari hasil prediksi yang
diperoleh.
3. Tidak adanya validasi eksternal:
Jurnal ini hanya menggunakan satu
set data untuk melatih dan menguji
model prediksi. Validasi eksternal
dengan menggunakan set data yang
berbeda dapat memberikan keandalan
yang lebih tinggi terhadap hasil
prediksi yang diperoleh.

7. Data scaling performance on various machine learning algorithms to

identify abalone sex
Judul Jurnal Data scaling performance on various
machine learning algorithms to identify
abalone sex Data scaling performance on
various machine learning algorithms to
identify abalone sex
Nama Author/Penulis Willdan Aprizal Arifin, Ishak Ariawan,
Ayang Armelita Rosalia, Lukman, dan
Nabila Tufailah
Tahun 2022
Volume Vol.10
No. dan Halaman No.1 dan Halaman 26-31
Tempat published Jurnal JTSiskom (Jurnal Teknologi dan Sistem
Komputer)
 Tautan Jurnal http://doi.org/10.14710/jtsiskom.2022.14105
Tujuan Penelitian Mengkaji kinerja algoritma pendidikan
mesin atas cara pemikiran informasi buat
menampilkan daya guna tata cara tersebut.
Ini memakai metode pemikiran informasi
minmax (normalisasi) serta zero- mean
(standardisasi) saat gabungan dalam
informasi abalon
Hipotesis Penelitian Hipotesis penelitian ini adalah bahwa
penerapan teknik data scaling akan
meningkatkan performa algoritme machine
learning dalam klasifikasi dataset abalone
Populasi dan Sampel Terdapat berupa atas 3 kelas (betina 1307,
balita 1342, serta jantan 1528) serta 8
fitur( cincin, panjang, diameter, besar, berat
utuh, berat kulit, berat isi perut, serta berat
cangkang).
Metode Pengambilan Sampel Dataset yang dibagikan dalam riset ini
merupakan dataset abalon yang dicapai atas
Kaggle1.
Metode Penelitian ni menggunakan teknik penskalaan data min-
max (normalisasi) dan zero-mean
(standardisasi) dalam kumpulan data abalon.
Hasil dan Pembahasan Sebuah Dataset abalon dinormalisasi
diberikan algoritma pendidikan mesin:
Random Forest, Naïve Bayesian, Decision
Tree, serta SVM (kernel RBF serta kernel
linier). 8 fitur dataset abalon menampilkan
kalau algoritma pendidikan mesin tidak
sangat pengaruhi berupa penilaian informasi.
Ada kenaikan performa SVM, sebaliknya
Random Forest menyusut kala dataset abalon
menyusun atas penilaian informasi. Random
Forest mempunyai umumnya akurasi balance
paling tinggi (74,87%) tanpa pernilaian data
Kesimpulan Naïve Bayes pada berkinerja lebih tidak
berubah- ubah dibanding Random Forest,
Decision Tree, serta SVM dikala kumpulan
informasi abalon membuat atas normalisasi
min- maks serta rata- rata nol. Ada kenaikan
saat kinerja SVM dikala dataset abalon
terletak membuat atas normalisasi informasi.
Keunggulan 1. kinerja algoritma pembelajaran mesin
dalam mengidentifikasi jenis kelamin
abalon menggunakan teknik
penskalaan data. Ini membandingkan
efektivitas normalisasi min-maks dan
 standarisasi rata-rata nol pada
algoritma.
2. Pendekatan eksperimental: Penelitian
ini menggunakan pendekatan
eksperimental dengan menerapkan k-
fold cross-validation untuk
mengevaluasi kinerja algoritma
pembelajaran mesin. Hal ini
memastikan evaluasi yang ketat
terhadap efektivitas algoritme.
3. Metodologi yang jelas: Jurnal dengan
jelas menguraikan metodologi
penelitian, termasuk tahapan yang
dilakukan dalam penelitian dan
teknik khusus yang digunakan untuk
penskalaan data dan evaluasi model.
4. Dataset yang relevan: Penelitian ini
menggunakan dataset abalon, yang
merupakan dataset yang umum
digunakan dalam penelitian
pembelajaran mesin. Hal ini
meningkatkan relevansi dan
penerapan temuan pada penelitian
lain dan penerapan di dunia nyata.
5. Analisis komparatif: Jurnal ini
memberikan analisis komparatif
kinerja berbagai algoritme
pembelajaran mesin, termasuk
Random Forest, Naïve Bayesian,
Decision Tree, dan SVM dengan
RBF dan kernel linier. Hal ini
memungkinkan pemahaman yang
lebih baik tentang kekuatan dan
kelemahan masing-masing algoritma.
6. Kontribusi di lapangan: Studi ini
berkontribusi pada bidang
pembelajaran mesin dengan menguji
dampak teknik penskalaan data
terhadap kinerja algoritma. Hal ini
memberikan wawasan tentang
efektivitas teknik ini dalam
meningkatkan akurasi dan keandalan
model pembelajaran mesin.
Kekurangan 1. Keterbatasan jurnal “Kinerja
Penskalaan Data pada Berbagai
Algoritma Pembelajaran Mesin untuk
Mengidentifikasi Jenis Kelamin
Abalon” antara lain:
2. Cakupan terbatas: Penelitian ini
hanya berfokus pada penerapan
teknik penskalaan data dalam konteks
mengidentifikasi jenis kelamin
abalon menggunakan algoritma
pembelajaran mesin. Laporan ini
tidak mengeksplorasi potensi aplikasi
atau kumpulan data lainnya di mana
teknik penskalaan data dapat
bermanfaat.
3. Kurangnya perbandingan dengan
teknik penskalaan data lainnya:
Penelitian ini hanya membandingkan
efektivitas normalisasi min-maks dan
standarisasi rata-rata nol. Ini tidak
mempertimbangkan teknik
penskalaan data lainnya seperti
normalisasi skor-z atau penskalaan
yang kuat. Perbandingan dengan
teknik-teknik ini dapat memberikan
pemahaman yang lebih komprehensif
tentang dampak berbagai metode
penskalaan data.
4. Diskusi terbatas mengenai pemilihan
algoritma: Jurnal ini secara singkat
menyebutkan penggunaan algoritma
Random Forest, Naïve Bayesian,
Decision Tree, dan SVM, namun
tidak memberikan alasan rinci untuk
pemilihannya. Diskusi yang lebih
mendalam tentang alasan di balik
pemilihan algoritma ini akan
meningkatkan pemahaman tentang
metodologi penelitian.
5. Kurangnya pembahasan mengenai
karakteristik dataset: Jurnal tidak
memberikan informasi rinci tentang
dataset abalon yang digunakan dalam
penelitian. Karakteristik penting
seperti ukuran dataset, distribusi
kelas, dan potensi bias atau
keterbatasan dataset tidak dibahas.
Informasi ini penting untuk
memahami generalisasi temuan.
6. Metrik evaluasi terbatas: Studi ini
terutama berfokus pada akurasi,
spesifisitas, dan sensitivitas yang
seimbang sebagai metrik evaluasi
untuk kinerja algoritma. Metrik
 penting lainnya seperti presisi,
perolehan, dan skor F1, yang
memberikan penilaian kinerja
algoritme yang lebih komprehensif,
tidak dipertimbangkan.
2.
8. KLASIFIKASI PENERIMA BANTUAN PROGRAM REHABILITASI RUMAH
TIDAK LAYAK HUNI MENGGUNAKAN ALGORITME K-NEAREST
NEIGHBOR
Judul Jurnal KLASIFIKASI PENERIMA BANTUAN
PROGRAM REHABILITASI RUMAH
TIDAK LAYAK HUNI MENGGUNAKAN
ALGORITME K-NEAREST NEIGHBOR

Nama Author/Penulis An Naas Shahifatun Na'iema, Harminto

Mulyo, dan Nur Aeni Widiastuti
Tahun 2022
Volume Vol.10
No. dan Halaman No.1 dan Halaman 32-37
Tempat published Jurnal JTSiskom (Jurnal Teknologi dan Sistem
Komputer)
Tautan Jurnal http://doi.org/10.14710/jtsiskom.2022.14110
Tujuan Penelitian Analisis ini bertujuan buat mengaplikasikan
algoritme K- Nearest Neighbor pada
penggolongan kepantasan dalam penerima
dorongan perbaikan rumah tidak cukup huni.
Hipotesis Penelitian Hipotesis penelitian ini adalah bahwa
penggunaan metode K-Nearest Neighbor
(KNN) dalam klasifikasi data pendaftar
program rehabilitasi rumah tidak layak huni
(RTLH) dapat memberikan hasil yang akurat
dan efektif dalam memprediksi apakah
rumah tersebut layak huni atau tidak layak
huni
Populasi dan Sampel Informasi yang diberikan merupakan
informasi pendaftar yang menyajikan
dorongan program perbaikan RTLH atas
tahun 2019 beberapa 2962 dengan anjuran 22
atribut.
Metode Pengambilan Sampel Tahapan riset yang dicoba mencakup
pemungutan informasi, pengolahan
informasi dini (prapemrosesan), dalam
intruksi memakai KNN, penyajian model
atas validasi silang k- fold, serta kajian
dihasilkan klasifikasi.
Metode Penelitian kuantitatif
Hasil dan Pembahasan Pengolahan informasi diawali dari pilih
atribut, pengkategorian informasi,
pembersihan informasi outlier, normalisasi
informasi serta pelaksanaan tata cara.
Dengan sistem yang dianjurkan menciptakan
akurasi sejumlah 97,93%, presisi 96,88%,
sensitivitas 99,53%, serta AUC sejumlah 0,
964 saat k yang bernilai 5.
Kesimpulan KNN bisa menerapkan buat klasifikasi
kepatutan pemeroleh rehabilitasi RTLH atas
akurasi paling tinggi sejumlah 97,93%
Bersama 13 atribut informasi selaku variabel
yang mempengaruhi serta sudah
didetetapkan bagi Disperkim, ialah aspek
keselamatan(mencakup pondasi, bilik, balok
serta atap), struktur bangunan( luas rumah,
material atap, lantai, serta bilik), serta
kesehatan(pemancaran serta ventilasi).
Keunggulan 1. Metode yang digunakan: Jurnal ini
menggunakan metode K-Nearest
Neighbor (KNN) dalam klasifikasi
data pendaftar program rehabilitasi
rumah tidak layak huni (RTLH).
Metode KNN telah terbukti efektif
dalam klasifikasi data dan dapat
memberikan hasil yang akurat .
2. Akurasi yang tinggi: Penelitian ini
mencapai tingkat akurasi sebesar
97,93%, presisi 96,88%, sensitivitas
99,53%, dan AUC sebesar 0,964. Hal
ini menunjukkan bahwa metode
KNN yang digunakan dalam
penelitian ini memberikan hasil yang
sangat akurat dalam memprediksi
apakah rumah layak huni atau tidak
layak huni .
3. Relevansi dengan masalah sosial:
Jurnal ini membahas tentang program
rehabilitasi rumah tidak layak huni
yang bertujuan untuk meningkatkan
kualitas hidup masyarakat
berpenghasilan rendah. Oleh karena
itu, penelitian ini memiliki relevansi
yang tinggi dengan masalah sosial
yang ada di masyarakat .
4. Kontribusi terhadap penelitian
sebelumnya: Jurnal ini menyebutkan
bahwa hasil penelitian ini lebih baik
daripada penelitian sebelumnya yang
 menggunakan metode lain seperti
LVQ, NB, dan JST-BP. Hal ini
menunjukkan bahwa penggunaan
metode KNN dalam penelitian ini
memberikan hasil yang lebih baik
dalam klasifikasi rumah layak huni .
Kekurangan 1. Terbatasnya sampel penelitian: Jurnal
ini tidak menyebutkan jumlah sampel
yang digunakan dalam penelitian.
Informasi ini penting untuk menilai
kevalidan dan generalisasi hasil
penelitian .
2. Tidak ada perbandingan dengan
metode lain: Jurnal ini tidak
membandingkan metode KNN
dengan metode lain dalam klasifikasi
rumah layak huni. Perbandingan ini
dapat memberikan pemahaman yang
lebih baik tentang keunggulan dan
kelemahan metode yang digunakan .
3. Tidak ada analisis statistik yang
mendalam: Jurnal ini hanya
memberikan hasil akurasi, presisi,
sensitivitas, dan AUC dari
penggunaan metode KNN. Namun,
tidak ada analisis statistik yang
mendalam untuk mendukung hasil
tersebut, seperti uji signifikansi atau
interval kepercayaan .
4. Tidak ada pembahasan mengenai
faktor-faktor yang mempengaruhi
hasil: Jurnal ini tidak membahas
faktor-faktor apa yang dapat
mempengaruhi hasil klasifikasi
rumah layak huni menggunakan
metode KNN. Faktor-faktor seperti
atribut yang digunakan, ukuran k,
atau teknik normalisasi data dapat
mempengaruhi hasil klasifikasi

9. HAND SYMBOL CLASSIFICATION FOR HUMAN-COMPUTER

INTERACTION USING THE FIFTH VERSION OF YOLO OBJECT
DETECTION
Judul Jurnal HAND SYMBOL CLASSIFICATION FOR
HUMAN-COMPUTER INTERACTION
USING THE FIFTH VERSION OF YOLO
OBJECT DETECTION
 Nama Author/Penulis Sugiarto Wibowo dan Indar Sugiarto
Tahun 2023
Volume Vol.17
No. dan Halaman No.1 dan Halaman 43-50
Tempat published Jurnal CommIT (Communication and Information
Technology)
Tautan Jurnal https://doi.org/10.21512/commit.v17i1.8520
Tujuan Penelitian Penelitian ini berpusat akan pembuatan serta
penilaian model deteksi objek buat
mengategorikan sebuah simbol di tangan.
Riset ini mempraktikkan YOLO tipe kelima
bersama arsitektur YOLOv5m buat
mengategorikan simbol di tangan sebagai
real time
Hipotesis Penelitian YOLO versi kelima dapat digunakan untuk
klasifikasi simbol tangan pada Human-
Computer Interaction (HCI)
Populasi dan Sampel Terdapat dari 100 Gambar.
Metode Pengambilan Sampel Google Collab atas menggunakan Graphics
Processing Unit (GPU). Google Collab
sediakan layanan untuk pengguna buat
membentuk tipe di cloud. Tidak hanya GPU,
terdapat pula Tensor Processing Unit (TPU).
Metode Penelitian kuantitatif
Hasil dan Pembahasan Dalam Kelas kode tangan yang terbuat saat
riset merupakan ok, cancel, previous, next,
serta confirm, datasetnya terbuat cocok
kemauan periset. Sehabis sesi pelatihan, ada
hasil validasi menampilkan akurasi 93%,
presisi 99%, recall 100%, serta skor F1 99%.
Sebaliknya saat penemuan real- time,
performa model buat mengategorikan simbol
di tangan merupakan 80% buat akurasi, 95%
buat presisi, 84% buat recall, serta 89% buat
skor F1.
Kesimpulan Dalam Pengenalan sebuah simbol di tangan
saat tata cara penemuan objek bisa penerapan
buat keperluan HCI. Itu periset memilah
algoritma YOLO tipe kelima buat
mengidentifikasi simbol di tangan. Adanya
Kelas simbol di tangan merupakan ok,
cancel, previous, next, serta confirm. Para
periset memakai tipe YOLOv5m yang sudah
diberikan lebih dahulu serta mengajar saat
gabungan informasi tangan kiri serta kanan.
Keunggulan Keunggulan dari jurnal ini adalah
penggunaan versi kelima dari YOLO (You
Only Look Once) dalam klasifikasi simbol
 tangan dalam Interaksi Manusia-Komputer
(HCI). Metode YOLOv5 memiliki kecepatan
yang cukup tinggi dalam pengenalan objek,
namun dengan akurasi yang cukup tinggi
pula. Dalam penelitian ini, YOLOv5
digunakan untuk mengenali dan
mengklasifikasikan simbol tangan dalam
HCI, yang dapat digunakan untuk
mengontrol sistem dengan mudah.
Kekurangan 1. Kumpulan data terbatas: Penelitian
ini menggunakan kumpulan data
simbol tangan yang dibuat oleh
peneliti sendiri, yang mungkin tidak
sepenuhnya mewakili keragaman
simbol tangan yang digunakan dalam
skenario dunia nyata.
2. Kurangnya perbandingan dengan
metode lain: Penelitian ini tidak
membandingkan kinerja YOLOv5
dengan metode lain yang ada untuk
klasifikasi simbol tangan di HCI.
3. Metrik evaluasi terbatas: Penelitian
hanya mengevaluasi akurasi, presisi,
perolehan, dan skor F1 model, tanpa
mempertimbangkan metrik penting
lainnya seperti spesifisitas,
sensitivitas, dan area di bawah kurva
(AUC).
4. Kurangnya analisis faktor
lingkungan: Penelitian ini tidak
menganalisis secara menyeluruh
dampak faktor lingkungan, seperti
kondisi pencahayaan dan warna latar
belakang, terhadap performa model.
Pembahasan terbatas mengenai penerapan
praktis: Penelitian berfokus pada aspek
teknis klasifikasi simbol tangan
menggunakan YOLOv5, namun tidak
memberikan pembahasan mendalam
mengenai potensi penerapan praktis dan
implikasi temuan penelitian.
3.
10. NIGHTTIME MOTORCYCLE DETECTION FOR SPARSE TRAFFIC
IMAGES USING MACHINE LEARNING
Judul Jurnal NIGHTTIME MOTORCYCLE
DETECTION FOR SPARSE TRAFFIC
IMAGES USING MACHINE LEARNING
 Nama Author/Penulis Pov Vandeth , Jimmy Tirtawangsa , Dan
Hertog Nugroho
Tahun 2023
Volume Vol.17
No. dan Halaman No.1 dan Halaman 81-92
Tempat published Jurnal CommIT (Communication and Information
Technology)
Tautan Jurnal https://doi.org/10.21512/commit.v17i1.8443
Tujuan Penelitian Riset tersebut bertujuan buat mengetahui
sepeda motor keadaan malam, buat
memenuhi penelitian lebih dahulu yang
pusat pada di mobil.
Hipotesis Penelitian metode deteksi sepeda motor pada malam
hari menggunakan pembelajaran mesin dapat
menghasilkan hasil yang akurat dan dapat
digunakan dalam sistem waktu nyata.
Populasi dan Sampel 388 ilustrasi sepeda motor sesungguhnya
dibantu identitas manual bersumber pada
factor manusia.
Metode Pengambilan Sampel Stochastic Gradient Descent (SGD)
Metode Penelitian kuantitatif
Hasil dah Pembahasan Sebab topik ini lumayan signifikan saat
Pembangunan aplikasi pengintaian sebuah
kendaraan, dibutuhkan riset lebih mendalam
buat tingkatkan akurasinya. Sehingga
Eksplorasi lebih mendalam bagi bayangan
sinar sepeda motor di jalur bisa tingkatkan
akurasi pengenalan sepeda motor. Sejumlah
usulan keributan yang terpancur pada zona
tepi jalur serta non jalan raya ditempu deteksi
batasan jalur yang baik hendak kurangi zona
pemrosesan.
Kesimpulan Dampak terbaik atas pendeteksian memakai
ANN sanggup mengetahui anjuran sepeda
motor atas akurasi sejumlah 72.71%, presisi
sejumlah 65.10%, serta recall sejumlah
73.33%. Berikutnya sepanjang percobaan,
penggolongan bisa dicoba secara tidak
berubah- ubah atas 0,04 detik per foto. Oleh
sebab itu, tata cara ini sesuai diberikan saat
sistem real- time yang diperlukan.
Keunggulan 1. Penelitian yang dilakukan fokus pada
deteksi sepeda motor pada malam
hari, yang merupakan masalah yang
penting dalam keamanan lalu lintas.
2. Jurnal ini mengenalkan empat fitur
yang diekstraksi dari piksel merah
dan peta tepi, serta mengembangkan
 algoritma untuk mengekstraksi fitur
tersebut.
3. Metode deteksi menggunakan tiga
klasifikasi yang umum digunakan,
yaitu Artificial Neural Network
(ANN), Decision Tree, dan Support
Vector Machine (SVM), untuk
menguji efektivitas fitur yang
diusulkan.
4. Penelitian ini menggunakan video
malam hari dari YouTube sebagai
dataset, yang mencakup berbagai
tingkat kegelapan.
5. Hasil terbaik menunjukkan bahwa
deteksi menggunakan ANN dapat
mendeteksi proposal sepeda motor
dengan akurasi 72,71%, presisi
65,10%, dan recall 73,33%.
6. Metode ini juga dapat bekerja secara
konsisten dalam waktu 0,04 detik per
gambar, sehingga cocok digunakan
dalam sistem waktu nyata
Kekurangan 1. Jurnal ini menggunakan dataset yang
diambil dari video malam hari di
YouTube. Penggunaan dataset yang
tidak dikontrol dan tidak terstruktur
seperti ini dapat mempengaruhi
validitas dan generalisasi hasil
penelitian.
2. Penelitian ini hanya fokus pada
deteksi sepeda motor pada malam
hari dan tidak membahas deteksi
kendaraan lainnya. Hal ini dapat
membatasi aplikabilitas penelitian
dalam konteks keamanan lalu lintas
secara keseluruhan.
3. Meskipun metode deteksi
menggunakan tiga klasifikasi yang
umum digunakan, yaitu Artificial
Neural Network (ANN), Decision
Tree, dan Support Vector Machine
(SVM), penelitian ini tidak
membandingkan kinerja ketiga
metode tersebut secara rinci.
4. Jurnal ini tidak memberikan
informasi tentang tingkat
keberhasilan deteksi untuk kendaraan
lain selain sepeda motor. Hal ini
dapat membatasi pemahaman tentang
 kinerja metode deteksi dalam konteks
lalu lintas secara menyeluruh.
4.
11. DROWSY EYES AND FACE MASK DETECTION FOR CAR DRIVERS
USING THE EMBEDDED SYSTEM
Judul Jurnal DROWSY EYES AND FACE MASK
DETECTION FOR CAR DRIVERS
USING THE EMBEDDED SYSTEM
Nama Author/Penulis Rizqi Putri Nourma Budiarti, Nisa Ayunda
dan Sritrusta Sukaridhoto
Tahun 2023
Volume Vol.9
No. dan Halaman No.1 dan Halaman 86-94
Tempat published Jurnal Unipdu Jombang
Tautan Jurnal https://doi.org/10.26594/register.v9i1.2612
Tujuan Penelitian Tujuan utama saat riset ini merupakan buat
menghasilkan pemecahan yang sanggup
mengetahui apakah pengemudi mobil
mengalami keadaan mengantuk ataupun
mengenakan masker, serta menggunakan
teknologi embedded system.
Hipotesis Penelitian Hipotesis penelitian ini adalah bahwa sistem
deteksi mata mengantuk dan masker wajah
menggunakan teknologi deep learning dapat
menghasilkan hasil yang akurat dalam
mendeteksi mata mengantuk dan
penggunaan masker wajah pada pengemudi
mobil. Penelitian ini didasarkan pada
pengumpulan data yang mencakup berbagai
kondisi dan pengujian yang cermat terhadap
sistem deteksi. Diharapkan bahwa dengan
meningkatkan kualitas dataset, teknologi
kamera, dan integrasi ke dalam dunia nyata,
sistem deteksi ini memiliki potensi untuk
mencapai akurasi dan keandalan yang lebih
tinggi di masa depan
Populasi dan Sampel Dataset primer berawal saat dataset Kaggle
yang terjadi saat 1387 foto mata terbuka dan
1320 foto tertutup, maka jumlahnya 2707
foto.
Metode Pengambilan Sampel Informasi umumnya dipecah jadi 3 subset:
set pelatihan, validasi, serta pengujian
Metode Penelitian kuantitatif
Hasil dan Pembahasan Saya memperkirakan selaku merata keahlian
sistem buat mengenali serta mengategorikan
orang yang mengenakan masker wajah saat
 yang benar sepanjang secara pengetesan.
Pengetahuan komprehensif menimpa
tantangan serta keterbatasan yang dialami
sepanjang secara pengetesan disediakan.
Riset ini pula mangulas akan akurasi, presisi,
serta recall sistem dideteksi masker wajah
dan keahlian sistem saat mengenali orang
yang mengenakan masker saat yang benar.
Kesimpulan Dalam Sistem penemuan masker, yang
penyatuan di dalam sistem tertanam,
menampilkan tingkatan akurasi yang pantas
memuji sejumlah 80% saat mengetahui
wajah orang yang mengenakan masker.
Bergitu juga pula sistem penemuan mata saat
sistem tertanam menggapai tingkatan akurasi
75% saat mengetahui wajah orang yang
sama.
Keunggulan Keunggulan jurnal ini adalah penelitian ini
menggunakan teknologi deep learning untuk
mengembangkan sistem deteksi mata
mengantuk dan penggunaan masker wajah
pada pengemudi mobil. Penelitian ini juga
mencakup pengumpulan data yang
komprehensif dan pengujian yang cermat
terhadap sistem deteksi. Hasil penelitian
menunjukkan bahwa sistem deteksi ini
memiliki potensi untuk mencapai akurasi
dan keandalan yang lebih tinggi di masa
depan dengan meningkatkan kualitas dataset,
teknologi kamera, dan integrasi ke dalam
dunia nyata.
Kekurangan Kekurangan jurnal ini adalah kurangnya
penjelasan mengenai metode pengumpulan
data yang lebih rinci, seperti apakah data
dikumpulkan secara langsung dari
pengemudi mobil atau menggunakan dataset
yang sudah ada. Selain itu, jurnal ini juga
tidak memberikan informasi tentang ukuran
sampel yang digunakan dalam penelitian ini.
Informasi ini penting untuk menilai
keakuratan dan representativitas hasil
penelitian.

12. SELECTING CONTROL MENU ON ELECTRIC WHEELCHAIR USING

EYEBALL MOVEMENT FOR DIFFABLE PERSON
Judul Jurnal SELECTING CONTROL MENU ON
ELECTRIC WHEELCHAIR USING

Nama Author/Penulis
Tahun
Volume
No. dan Halaman
Tempat published Jurnal
Informatics Visualization)
Tautan Jurnal
Tujuan Penelitian
Hipotesis Penelitian
Populasi dan Sampel
Metode Pengambilan Sampel
Metode Penelitian
Hasil dan Pembahasan
EYEBALL MOVEMENT FOR DIFFABLE
PERSON
Utaminingrum , I Komang Somawirata,
Gusti Pengestu , Dan Tipajin Thaipisutikul
2023
Vol.7
No.1 dan Halaman 37-43
JOIV (International Journal on
http://dx.doi.org/10.30630/joiv.7.1.1011
Salah satu pemecahan yang ditawarkan
merupakan dengan menggunakan gerakan
mata selaku perlengkapan pelayaran yang
bisa mengambil alih kedudukan tangan
pengguna, sehingga bisa melaksanakan sofa
roda sebagai mandiri ataupun memilah
sendiri opsi menu akan ditampilkan lewat
gerakan mata. Pengintaian pergerakan bola
mata saat riset ini cuma menggunakan
kamera selaku sensor akan di setel kondisi
depan bagi pengguna.
Hipotesis penelitian dalam jurnal ini adalah
bahwa pendekatan baru yang menggunakan
Backpropagation Neural Network (BPNN)
dan Dynamic Line Sector Coordinate
(DLSC) dapat digunakan untuk mendeteksi
dan mengenali lima arah gerakan bola mata
dengan akurasi yang tinggi. Metode ini dapat
digunakan untuk memilih menu pada
monitor display dengan menggunakan
gerakan bola mata sebagai pengganti tangan
bagi orang dengan disabilitas atau stroke.
Terdiri Dua ratus foto informasi yang
dipecah jadi 2 kelas. Seratus foto buat mata
terbuka serta seratus foto buat mata bersama
pemikiran ke bawah
Metode Jaringan Syaraf Tiruan
Backpropagation dan Koordinat Sektor Garis
Dinamis.
kuantitatif
Bersumber pada hasil percobaan, tata cara
yang dianjurkan bisa meyakinkan keahlian
saat mengetahui lihatan gerakan bola mata
serta mempunyai arti akurasi umumnya
lebih besar ialah 88,6%. Tata cara yang
dianjurkan pula bisa mengetahui 5
pandangan arah moblilitas bola mata saat arti
 umumnya presisi, recall, serta F1- Score
sejumlah 87,8%, 87%, serta 87,7% tiap- tiap.
Kesimpulan Karangan ini menganjurkan tata cara baru
buat mengetahui serta menerapkan gerakan
bola mata buat memilah menu
munculmonitor. Tata cara ini mencampurkan
Jaringan Syaraf Tiruan Backpropagation
serta Koordinat Zona Garis Dinamis.
Jaringan Syaraf Tiruan Backpropagation bisa
berjalan baik mengetahui posisi pemikiran
mata. Buat pemikiran yang lain, sekitar lain
maupun ke atas, ke kiri, ke kanan, serta ke
depan/ tengah, tata cara yang dianjurkan
memakai Koordinat Zona Garis Dinamis
buat memastikan pergerakan pemikiran bola
mata.
Keunggulan 1. Pendekatan baru: Jurnal ini
mengusulkan pendekatan baru yang
menggunakan Backpropagation
Neural Network (BPNN) dan
Dynamic Line Sector Coordinate
(DLSC) untuk mendeteksi dan
mengenali lima arah gerakan bola
mata.
2. Akurasi tinggi: Metode yang
diusulkan dalam jurnal ini memiliki
akurasi yang tinggi dalam
mendeteksi gerakan bola mata
dengan rata-rata akurasi sebesar
88,6%.
3. Praktis dan mudah digunakan:
Penelitian ini menggunakan kamera
sebagai sensor untuk mendeteksi
gerakan bola mata, sehingga lebih
praktis dan mudah digunakan
daripada menggunakan sensor
elektrookulografi di sekitar mata
pengguna.
4. Aplikasi bagi orang dengan
disabilitas atau stroke: Metode yang
diusulkan dalam jurnal ini dapat
digunakan untuk memilih menu pada
monitor display dengan
menggunakan gerakan bola mata
sebagai pengganti tangan bagi orang
dengan disabilitas atau stroke.
5. Kolaborasi lintas negara: Jurnal ini
melibatkan kolaborasi antara peneliti
dari Bina Nusantara University di
 Indonesia, Mahidol University di
Thailand, dan National Central
University di Taiwan.
Kekurangan 1. Terbatasnya sampel penelitian:
Jurnal ini tidak menjelaskan secara
rinci tentang jumlah dan karakteristik
sampel yang digunakan dalam
penelitian. Informasi ini penting
untuk menilai generalisasi hasil
penelitian.
2. Tidak ada perbandingan dengan
metode lain: Jurnal ini tidak
membandingkan metode yang
diusulkan dengan metode lain yang
sudah ada untuk mendeteksi gerakan
bola mata. Perbandingan ini dapat
memberikan pemahaman yang lebih
baik tentang keunggulan metode
yang diusulkan.
3. Tidak ada analisis statistik yang
mendalam: Jurnal ini hanya
memberikan informasi tentang
akurasi rata-rata metode yang
diusulkan, namun tidak memberikan
analisis statistik yang lebih
mendalam seperti uji signifikansi
atau interval kepercayaan. Hal ini
dapat membatasi interpretasi hasil
penelitian.
4. Tidak ada informasi tentang validitas
dan reliabilitas: Jurnal ini tidak
memberikan informasi tentang
validitas dan reliabilitas metode yang
diusulkan. Validitas mengacu pada
sejauh mana metode tersebut
mengukur apa yang seharusnya
diukur, sedangkan reliabilitas
mengacu pada sejauh mana metode
tersebut konsisten dalam mengukur.
Informasi ini penting untuk menilai
keandalan metode.
5.
13. SUPREME COURT DIALOGUE CLASSIFICATION USING MACHINE
LEARNING MODELS
Judul Jurnal SUPREME COURT DIALOGUE
CLASSIFICATION USING MACHINE
LEARNING MODELS
 Nama Author/Penulis Tomin Joseph dan Vijayalakshmi Adiyillam
Tahun 2023
Volume Vol.13
No. dan Halaman No.2 dan Halaman
Tempat published Jurnal IJECE (Jurnal Internasional Teknik Listrik
dan Komputer )
Tautan Jurnal https://doi.org/10.11591/ijece.v13i2.pp2350-
2355
Tujuan Penelitian fokusnya merupakan cukup klasifikasi
tingkatan kalimat. Bertambah terjadi,
pekerjaan yang dicoba berfokus saat obrolan
di Mahkamah Agung masa hakim serta
kepada koresponden lainnya
Hipotesis Penelitian Hipotesis penelitian dalam jurnal ini adalah
bahwa penggunaan pendekatan berbasis
grafik dalam klasifikasi teks dapat
meningkatkan kinerja model dalam
mengklasifikasikan kalimat hukum dari
Mahkamah Agung AS
Populasi dan Sampel Ada seluruhnya 50. 389 obrolan kira-kira 11
hakim serta 311 partisipa
Metode Pengambilan Sampel Toolkit bahasa natural( NLTK) dibuatkan
melaksanakan pra- pemrosesan di kalimat
yang terdapat di gabungkan informasi.
Metode Penelitian kuantitatif
Hasil dan Pembahasan Permasalahan hukum berlainan yang di buat
tujuan riset. Sub- bagian ini berikut hendak
menekankan dimensi kumpulan informasi
tiap riset serta pula hendak mengatakan
pemberian pelatihan serta validasi.
komponen ini, hasil riset diterbitkan serta
sekalian dibuatkan ulasan yang
komprehensif. Terdapat 3 kumpulan
informasi yang diselesaikan buat tujuan riset
ini: Cherokee Nation mencegah Thompson
serta Thompson, Antonio Dwayne Halbert v.
Michigan, serta kumpulan informasi
gabungan buat memperkirakan kinerja dalam
pengklasifikasi.
Kesimpulan Pekerjaan yang dicoba merupakan sukses
memperkirakan obrolan hukum yang terjalin
di Mahkamah Agung atas memakai kedua
NB pengklasifikasi serta model LR. Metrik
penilaian yang dibuatkan merupakan skor
AUC pada kurva ROC. Riset yang dicoba
sukses merumuskan saat fakta kalau
pengklasifikasi NB berkinerja untuk lebih
terbaik dari model LR tradisional.
 Keunggulan Keunggulan dari penelitian ini adalah
penggunaan pendekatan berbasis grafik
dalam klasifikasi teks. Pendekatan ini telah
terbukti efektif dalam mengklasifikasikan
kalimat hukum dari Mahkamah Agung AS.
Dalam penelitian ini, pendekatan berbasis
grafik digunakan untuk mengidentifikasi
struktur kompleks dalam dokumen hukum
dan meningkatkan kinerja model klasifikasi
teks. Pendekatan ini dapat membantu dalam
mengurangi dimensi dataset dan
mengidentifikasi kata-kata yang signifikan
dalam dokumen hukum yang besar . Selain
itu, penelitian ini juga mencakup evaluasi
kinerja model menggunakan metrik yang
lebih canggih seperti F-score dan kurva
ROC.
Kekurangan Kekurangan dari jurnal ini adalah kurangnya
penjelasan tentang metode pengumpulan
data yang digunakan. Jurnal ini hanya
menyebutkan bahwa dokumen hukum dari
Mahkamah Agung AS digunakan sebagai
dataset, namun tidak dijelaskan bagaimana
data tersebut dikumpulkan dan dipilih.
Informasi ini penting untuk memastikan
validitas dan representativitas dataset yang
digunakan dalam penelitian.
6.
14. MAPREDUCE-ITERATIVE SUPPORT VECTOR MACHINE CLASSIFIER:
NOVEL FRAUD DETECTION SYSTEMS IN HEALTHCARE INSURANCE
INDUSTRY
Judul Jurnal MAPREDUCE-ITERATIVE SUPPORT
VECTOR MACHINE CLASSIFIER:
NOVEL FRAUD DETECTION SYSTEMS
IN HEALTHCARE INSURANCE
INDUSTRY
Nama Author/Penulis Jenita Mary Arockiam, dan Angelin Claret
Seraphim Pushpanathan
Tahun 2023
Volume Vol.13
No. dan Halaman No.1 dan Halaman 756-769
Tempat published Jurnal IJECE (Jurnal Internasional Teknik Listrik
dan Komputer )
Tautan Jurnal https://doi.org/10.11591/ijece.v13i1.pp756-
769
 Tujuan Penelitian Penipuan saat klaim asuransi kesehatan ialah
sebuah satu provokasi riset signifikan yang
pengaruhi perkembangan layanan kesehatan.
Sehingga Penipuan bagi layanan kesehatan
terjalin lewat konsumen, industri, serta
pembekalan layanan. Peningkatan
pendukung sebuah keputusan merupakan
buat mengotomatisasi informasi klaim pada
pembekalan layanan serta buat membandingi
tantangan penderita
Hipotesis Penelitian Hipotesis penelitian yang diajukan dalam
jurnal ini adalah bahwa model deteksi
penipuan yang diusulkan dapat mendeteksi
penyalahgunaan proses klaim oleh penyedia
layanan kesehatan menggunakan algoritma
pembelajaran mesin. Metode yang diusulkan
dirancang untuk menemukan
penyalahgunaan penyedia dengan
menganalisis variabel yang digunakan dalam
pengobatan, penyakit, dan klaim. Penelitian
ini terdiri dari lima fase, yaitu akuisisi data,
pra-pemrosesan data, seleksi fitur,
klasifikasi, dan deteksi .
Populasi dan Sampel Informasi Medicaid atas 650. 000 klaim
dalam layanan kesehatan serta 369 dokter
gigi bagi satu negeri bagian saja.
Metode Pengambilan Sampel MapReduce (MR-ISVM)
Metode Penelitian kuantitatif
Hasil dan Pembahasan Pada Kerangka kerja yang dianjurkan
menyusun informasi pembekalan asuransi
dunia jelas yang dapat atas pembekalan
penipuan kedokteran penemuan tipe lebih
dahulu dibanding saat tipe yang dianjurkan
memakai variabel tingkatan institusi.
Berawal gudang informasi Medicare, rincian
informasi penerima khasiat, rawat inap, serta
rawat jalur ditaruh saat tabel yang berlainan.
Kesimpulan Keadaan Industri perawatan pada kesehatan
menciptakan beberapa besar informasi dari
sumber informasi yang heterogen semacam
laporan kedokteran, fitur rumah sakit, serta
sistem penuntutan. Transaksi informasi
fasilitas kesehatan sangat rumit serta banyak
buat dijumlah saat tata cara konvensional.
Bagi deteksi pada penipuan merupakan
keliruan satu bagian riset utama yang butuh
diperingkat saat di skenario real- time.
Keunggulan 1. Pendekatan yang Inovatif: Jurnal ini
mengusulkan model deteksi
penipuan yang menggunakan
algoritma pembelajaran mesin dan
teknologi Big Data untuk
menganalisis klaim asuransi.
Pendekatan ini merupakan kombinasi
yang inovatif untuk mengatasi
masalah penipuan dalam klaim
asuransi.
2. Skala Efisiensi Pengolahan Data:
Jurnal ini menggunakan kerangka
kerja MapReduce untuk memproses
data klaim asuransi dengan efisiensi
tinggi. Pendekatan ini
memungkinkan pengolahan data
yang volumin dan kompleks dengan
waktu komputasi yang lebih rendah.
3. Deteksi Penipuan yang Akurat:
Dengan menggunakan algoritma
pembelajaran mesin dan teknik
klasifikasi iteratif, jurnal ini
mencapai tujuan deteksi penipuan
dengan akurasi yang tinggi. Model
yang diusulkan mampu
mengklasifikasikan penyedia
layanan kesehatan yang melakukan
penipuan dengan kondisi iteratif
yang ditentukan.
4. Relevansi dengan Konteks
Indonesia: Jurnal ini memiliki
relevansi yang tinggi dengan konteks
Indonesia karena membahas masalah
deteksi penipuan dalam klaim
asuransi. Hal ini dapat memberikan
wawasan dan solusi yang relevan
bagi industri asuransi di Indonesia.
Kekurangan 1. Terbatasnya Data Penelitian: Jurnal
ini menggunakan dataset yang
dikumpulkan dari repositori publik
yang dikenal sebagai "Healthcare
provider fraud detection analysis".
Terbatasnya sumber data yang
digunakan dapat mempengaruhi
generalisasi hasil penelitian ini
terhadap situasi yang lebih luas di
Indonesia.
2. Kurangnya Analisis Terhadap Risiko
dan Manfaat: Jurnal ini tidak secara
 khusus membahas risiko dan manfaat
penggunaan teknologi Big Data
dalam deteksi penipuan asuransi.
Analisis yang lebih mendalam
tentang risiko dan manfaat
penggunaan teknologi ini dapat
memberikan wawasan yang lebih
komprehensif bagi perusahaan
asuransi di Indonesia.
3. Tidak Membahas Konteks Hukum
dan Regulasi: Jurnal ini tidak secara
rinci membahas konteks hukum dan
regulasi terkait deteksi penipuan
dalam klaim asuransi di Indonesia.
Hal ini penting untuk
dipertimbangkan karena peraturan
dan kebijakan yang berlaku dapat
mempengaruhi implementasi model
deteksi penipuan ini dalam praktik
industri asuransi di Indonesia.
7.
15. INTERNET OF THINGS APPLICATIONS USING RASPBERRY-PI: A
SURVEY
Judul Jurnal INTERNET OF THINGS APPLICATIONS
USING RASPBERRY-PI: A SURVEY
Nama Author/Penulis Khalid M.Hosny , Amal Magdi , Ahmad
Salah , Osama El-Komy, dan Nabil
A.Lashin1
Tahun 2023
Volume Vol.13
No. dan Halaman NO.1 dan Halaman 902-910
Tempat published Jurnal IJECE (Jurnal Internasional Teknik Listrik
dan Komputer )
Tautan Jurnal https://doi.org/10.11591/ijece.v13i1.pp902-
910
Tujuan Penelitian Internet of Things (IoT) merupakan
komunikasi seluruh suatu saat perihal lain,
demikian dalam hal tujuan utama bagian
transfer informasi lewat jaringan.
Hipotesis Penelitian -
Populasi dan Sampel transportasi, pertanian, dan kedokteran.
Metode Pengambilan Sampel IOT (Internet Of Things)
Metode Penelitian kualitatif
Hasil dan Pembahasan Raspberry Pi merupakan pc quad- core saat
keahlian pemrosesan diparalel yang bisa
dibuatkan buat memesatkan komputasi serta
 proses. Sehingga Raspberry Pi merupakan
teknologi yang banyak bermanfaat serta
menjanjikan yang ditawarkan pada
portabilitas, paralelisme, bayaran rendah,
serta mengkonsumsi energi rendah,
membentukan sempurna buat aplikasi di IoT.
Kesimpulan Pada bagaian Internet of Things saat ini
merakitkan semacam bidang. Terdapat
bermacam- macam fitur IoT yang bisa
diseleksi di pasaran, serta tipe fitur IoT yang
dibuatkan tergantung atas aplikasinya.
Bagian ini Raspberry Pi merupakan fitur IoT
sangat terkenal serta murah. Kepada
postingan ini dibagikan dalam cerminan
universal hadapan IoT serta Raspberry Pi.
Penyair mempelajari aplikasi IoT memakai
Raspberry Pi di bermacam bidang, tercantum
transportasi pintar, pertanian, serta
kedokteran.
Keunggulan 1. Menyajikan penelitian yang relevan
dengan penggunaan teknologi
Internet of Things (IoT) dalam
bidang pertanian.
2. Menyediakan survei yang
komprehensif tentang teknologi IoT
dalam lingkungan pertanian.
3. Menjelaskan konsep dan arsitektur
IoT yang digunakan dalam
penelitian.
4. Menyajikan aplikasi IoT yang
spesifik dalam bidang pertanian,
seperti sistem manajemen pertanian
cerdas dan pemantauan tanaman.
5. Menyajikan solusi dan teknologi
yang inovatif untuk mengatasi
tantangan dalam implementasi IoT
dalam pertanian.
6. Menyajikan hasil penelitian yang
dapat digunakan sebagai dasar untuk
pengembangan sistem IoT dalam
pertanian.
Kekurangan Tidak ada kekurangan dalam jurnal tersebut
8.
9.
 BAB IIDAFTAR PUSTAKA

Abdullah, S., Ananta Kusuna, W., & Hartono Wijaya, S. (2022). Prediksi interaksi protein-
protein berbasis sekuens protein menggunakan fitur autocorrelation dan machine
learning Sequence-based prediction of protein-protein interaction using
autocorrelation features and machine learning. Jurnal Teknologi Dan Sistem
Komputer, 10(1), 1–11. https://doi.org/10.14710/jtsiskom.2022.13984
Aprizal Arifin, W., Ariawan, I., Armelita Rosalia, A., & Tufailah, N. (2022). Data scaling
performance on various machine learning algorithms to identify abalone sex. Jurnal
Teknologi Dan Sistem Komputer, 10(1), 26–31.
https://doi.org/10.14710/jtsiskom.2022.14105
Arockiam, J. M., & Pushpanathan, A. C. S. (2023). MapReduce-iterative support vector
machine classifier: novel fraud detection systems in healthcare insurance industry.
International Journal of Electrical and Computer Engineering, 13(1), 756–769.
https://doi.org/10.11591/ijece.v13i1.pp756-769
Gupta, B., Sharma, R., Bansal, R., Soni, G. K., Negi, P., & Purdhani, P. (2023). An
adaptive system for predicting student attentiveness in online classrooms. Indonesian
Journal of Electrical Engineering and Computer Science, 31(2), 1136–1146.
https://doi.org/10.11591/ijeecs.v31.i2.pp1136-1146
Hosny, K. M., Magdi, A., Salah, A., El-Komy, O., & Lashin, N. A. (2023). Internet of
things applications using Raspberry-Pi: a survey. International Journal of Electrical
and Computer Engineering, 13(1), 902–910.
https://doi.org/10.11591/ijece.v13i1.pp902-910
Ismanto, E. (2023). LSTM Network Hyperparameter Optimization for Stock Price
Prediction Using the Optuna Framework. Jurnal Ilmiah Teknik Elektro Komputer Dan
Informatika (JITEKI), 9(1), 22–35. https://doi.org/10.26555/jiteki.v9i1.24944
Joseph, T., & Adiyillam, V. (2023). Supreme court dialogue classification using machine
learning models. International Journal of Electrical and Computer Engineering,
13(2), 2350–2355. https://doi.org/10.11591/ijece.v13i2.pp2350-2355
Khaleel, A. A., Kareem, A. N., & Mahdi, L. H. (2023). Predictive analytics on COVID-19
data using Hive based on Hadoop cluster. Indonesian Journal of Electrical
Engineering and Computer Science, 31(2), 945–956.
https://doi.org/10.11591/ijeecs.v31.i2.pp945-956
Naas, A., Na’iema, S., Mulyo, H., & Widiastuti, A. (2022). Klasifikasi penerima bantuan
program rehabilitasi rumah tidak layak huni menggunakan algoritme K-Nearest
Neighbor Classification of beneficiaries for the rehabilitation of uninhabitable houses
using the K-Nearest Neighbor algorithm. Jurnal Teknologi Dan Sistem Komputer,
10(1), 32–37. https://doi.org/10.14710/jtsiskom.2022.14110
Nurhayati, S., Lubis, R., & Fajar Wicaksono, M. (2023). Application of the Machine
Learning Method for Predicting International Tourists in West Java Indonesia Using
the Averege-Based Fuzzy Time Series Model. Jurnal Ilmiah Teknik Elektro Komputer
Dan Informatika (JITEKI), 9(1), 1–11. https://doi.org/10.26555/jiteki.v9i1.25475
Putri, R., Budiarti, N., Nugroho, B. W., Ayunda, N., & Sukaridhoto, S. (2023). Drowsy
Eyes and Face Mask Detection for Car Drivers using the Embedded System A R T I C
L E I N F O. 9(1), 86–94. https://doi.org/10.26594/register.v9i1.2612
Sukirman, S., Pramudita, D. A., Nugroho, A. A., & Aminudin, M. R. (2023). Educational
Game for Learning Computational Thinking in a Low Budget Virtual Reality
Environment. Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 12(1), 8–
15. https://doi.org/10.23887/janapati.v12i1.52743
Utaminingrum, F., Somawirata, K., Pengestu, G., Thaipisutikul, T., & Shih, T. K. (n.d.).
INTERNATIONAL JOURNAL ON INFORMATICS VISUALIZATION journal
homepage: www.joiv.org/index.php/joiv INTERNATIONAL JOURNAL ON
INFORMATICS VISUALIZATION Selecting Control Menu on Electric Wheelchair
Using Eyeball Movement for Diffable Person. www.joiv.org/index.php/joiv
Vandeth, P., Tirtawangsa, J., & Nugroho, H. (2023). Nighttime Motorcycle Detection for
Sparse Traffic Images Using Machine Learning. In CommIT Journal (Vol. 17, Issue
1).
Wibowo, S., & Sugiarto, I. (2023). Hand Symbol Classification for Human-Computer
Interaction Using the Fifth Version of YOLO Object Detection. In CommIT Journal
(Vol. 17, Issue 1).