Article Per Year (5 Year)
p-Index From 2021 - 2026
9.412
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Epsilon: Jurnal Matematika Murni dan Terapan Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Teknologi Informasi dan Ilmu Komputer Telematika KLIK (Kumpulan jurnaL Ilmu Komputer) (e-Journal) Sistemasi: Jurnal Sistem Informasi Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Jurnal Komputasi Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Jurnal Sains dan Informatika Journal of Electronics, Electromedical Engineering, and Medical Informatics Jurnal Pengabdian Kepada Masyarakat (Mediteg) Indonesian Journal of Electrical Engineering and Computer Science International Journal of Advances in Data and Information Systems Jurnal Teknik Informatika (JUTIF) JUSTIN (Jurnal Sistem dan Teknologi Informasi) Jurnal Pengabdian Ilung (Inovasi Lahan Basah Unggul) Journal of Data Science and Software Engineering Jurnal Teknik Ilmu dan Aplikasi Jurnal Informatika Polinema (JIP) Indonesian Journal of Electronics, Electromedical Engineering, and Medical Informatics Jurnal Komputasi
Saragih, Triando Hamonangan
Universitas Lambung Mangkurat
Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Nursing Physics Public Health Social Sciences Transportation Other

Published : 76 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 76 Documents
Search

 4   5   6   7   8 
Empirical Performance of E2E Frameworks in React-Vue SPAs Using DIA Rezeki, Abdillah; Saputro, Setyo Wahyu; Saragih, Triando Hamonangan; Nugroho, Radityo Adi; Abadi, Friska
International Journal of Advances in Data and Information Systems Vol. 7 No. 1 (2026): April 2026 - International Journal of Advances in Data and Information Systems
Publisher : Indonesian Scientific Journal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59395/ijadis.v7i1.1528

Abstract

Modern web applications increasingly adopt Single-Page Application (SPA) architectures to enhance the user experience through client-side rendering and dynamic content loading. However, these characteristics introduce significant challenges for automated end-to-end (E2E) testing, including asynchronous DOM manipulation, complex state management, and timing synchronization issues. This study presents a comprehensive empirical comparison of three prominent E2E testing frameworks—Selenium WebDriver, Cypress, and Playwright—across React and Vue-based SPAs. Using a quantitative experimental approach, 25 standardized test cases were executed 15 times each across Chrome, Firefox, and Edge, for a total of 270 testing sessions. Performance evaluation focused on four key metrics: execution time, success rate, CPU usage, and memory consumption. Results demonstrate that Playwright achieved the fastest execution time (56.25 seconds on React-Chrome), while Selenium exhibited superior resource efficiency with the lowest memory consumption (196.59 MB on Vue-Chrome). The Distance to Ideal Alternative (DIA) multi-criteria decision analysis method identified Playwright-Chrome as optimal for React applications (DIA score: 0.886715) and Selenium-Chrome for Vue applications (DIA score: 0.908237), indicating that framework selection should be context-dependent based on application characteristics and deployment requirements. This research supports the conclusion that no universal "best" testing framework exists, underscoring the importance of evidence-based, application-specific tool selection in software quality assurance.
AdaBoost Classifier untuk Klasifikasi Tanaman Jarak Pagar Triando Hamonangan Saragih; Muliadi Muliadi; Mohammad Reza Faisal; Muhammad Al Ichsan Nur Rizqi Said
Jurnal Komputasi Vol. 9 No. 2 (2021)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v9i2.2865

Abstract

Tanaman Jarak Pagar merupakan tanaman multi fungsi yang memiliki banyak kegunaan di kehidupan sehari-hari, baik itu untuk pengobatan, kecantikan hingga pengganti bahan bakar biodiesel. Penyakit yang menyerang tanaman jarak pagar dapat menurunkan kualitas yang dihasilkan jarak pagar. Minimnya pengetahuan petani dan sedikitnya jumlah pakar yang memahami tentang jarak pagar menjadi masalah yang harus diselesaikan. Pengguanaan sistem pakar menjadi solusi yang bisa ditawarkan. AdaBoost Classifier pada sistem pakar dapat digunakan sebagai mengklasifikasikan penyakit tanaman jarak pagar. Hasil yang diperoleh dari penelitian ini yaitu didapat akurasi rata-rata sebesar 50% dan maksimal terbaik sebesar 53,01% pada jumlah fold sebanyak 2. Hasil pada penelitian ini lebih baik dibanding penelitian sebelumnya, tetapi tidak bisa memberikan hasil yang maksimal. Jumlah data tiap kelas menjadi perrmalasahan mengapa hasil pada AdaBoost kurang maksimal dan harus diselesaikan pada penelitian selanjutnya.
Klasifikasi Tanaman Jarak Pagar Menggunakan Algoritme Deep Learning H2O Muhammad Itqan Mazdadi; Rahmat Ramadhani; Triando Hamonangan Saragih; Muhammad Haekal
Jurnal Komputasi Vol. 9 No. 1 (2021)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v9i1.2774

Abstract

Tanaman jarak pagar merupakan tanaman multi fungsi yang memiliki banyak manfaat dari daun hingga buah. Tanaman jarak pagar sering digunakan untuk produk kecantikan hingga pengganti biodiesel. Penyakit yang menyerang tanaman jarak pagar dapat mengganggu hasil dari tanaman jarak pagar. Kurangnya pakar dibidang ini dan pengetahuan yang dimiliki petani menyebabkan sesuatu yang buruk. Persoalan ini dapat diselesaikan dengan metode Deep Learning. Metode Deep Learning yang digunakan adalah H2O. H2O digunakan karena dapat memberikan hasil komputasi yang cepat dan bisa memberikan akurasi yang baik. Pada penelitian ini bisa kita lihat bahwa H2O memberikan akurasi rata-rata maksimal sebesar 96,066% dengan parameter uji kombinasi data latih dan data uji 60:40, menggunakan satu layer dan jumlah epoch sebanyak 100. Pada penelitian ini membuktikan bahwa H2O bisa digunakan untuk identifikasi penyakit tanaman jarak pagar.
IMPLEMENTASI CATBOOST DENGAN MENGGUNAKAN HYPER-PARAMETER TUNING BAYESIAN SEARCH UNTUK MEMPREDIKSI PENYAKIT DIABETES Arif Darmawan; Muliadi Muliadi; Dwi Kartini; Triando Hamonangan Saragih; Radityo Adi Nugraha
Jurnal Komputasi Vol. 11 No. 2 (2023)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v11i2.13746

Abstract

Diabetes merupakan masalah kesehatan masyarakat dunia dengan prevalensi yang selalu meningkat setiap tahun. Penyakit Diabetes ini perlu didiagnosis sejak dini menggunakan algoritma klasifikasi. Dataset yang digunakan yaitu PIMA Indians Diabetes Database dari Kaggle dengan 768 data dan 8 fitur. Metode pengklasifikasi yang digunakan yaitu Catboost. Klasifikasi Catboost dapat bekerja baik dalam menangani ketidak seimbangan data, namun kinerja algoritma ini masih bisa ditingkatkan lagi. Untuk mengatasi permasalahan tersebut peneliti menggunakan solusi Hyper-parameter tuning. Catboost memiliki beberapa Hyper-parameter yang dapat dikonfigurasi untuk meningkatkan kinerja dari model. Masalah mengidentifikasi nilai yang baik untuk Hyper-parameter disebut Hyper-parameter tuning. Metode Hyper-parameter tuning yang digunakan yaitu Bayesian Search yang kemudian divalidasi menggunakan 10-Fold Cross Validation sebanyak 10 iterasi. Hyper-parameter Catboost yang dikonfigurasi antara lain depth, learning_rate dan Iterations. Pengujian pada Catboost tanpa Hyper-parameter tuning memperoleh nilai presisi sebesar 0,625% dan nilai AUC sebesar 0,868%. Untuk pengujian Catboost dengan Hyper-parameter tuning memperoleh presisi sebesar 0,634 % dan AUC sebesar 0,901%. Menambahkan Hyper-parameter tuning Bayesian Search pada metode klasifikasi Catboost dapat meningkatkan hasil nilai akurasi dan nilai AUC.
Perbandingan Ekstraksi Fitur dengan Pembobotan Supervised dan Unsupervised pada Algoritma Random Forest untuk Pemantauan Laporan Penderita COVID-19 di Twitter Sulastri Norindah Sari; Mohammad Reza Faisal; Dwi Kartini; Irwan Budiman; Triando Hamonangan Saragih; Muliadi Muliadi
Jurnal Komputasi Vol. 11 No. 1 (2023)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v11i1.6650

Abstract

Dimasa sekarang masyarakat sudah berani melaporkan dirinya terpapar COVID-19 melalui unggahan di media sosial seperti Twitter. Hal ini dapat dimanfaatkan oleh masyarakat sekitar atau lembaga kesehatan untuk memberikan bantuan terhadap pelapor. Pemantauan laporan penderita COVID-19 di Twitter dapat dilakukan secara otomatis dengan algoritma machine learning untuk klasifikasi teks. Pada kasus klasifikasi teks, algoritma machine learning menerima input berupa data terstruktur hasil ekstraksi fitur dengan teknik unigram dengan pembobotan. Metode pembobotan kata unsupervised merupakan pembobotan yang tidak memperhatikan letak term di kelas positif atau negatif. Kemudian metode pembobotan ini dikembangkan menjadi pembobotan supervised, karena dalam proses pembobotannya metode ini membobotkan term dengan memperhatikan letak term di kelas positif atau negatif. Pada riset ini dilakukan perbandingan kedua jenis pembobotan pada klasifikasi data tweet gejala covid dengan algoritma machine learning yaitu Random Forest. Dari hasil penelitian didapat hasil kinerja klasifikasi dengan pembobotan supervised Delta TF-IDF terbukti lebih bagus dengan akurasi sebesar 88,5% sedangkan dengan pembobotan unsupervised TF-IDF diperoleh hasil akurasi 87,9%
Comparison Algorithm for Diabetes Classification with Consideration of Mutual Information and Information Feature Rahmat Ramadhani; Triando Hamonangan Saragih; Muhammad Itqan Mazdadi; Muliadi Muliadi
Jurnal Komputasi Vol. 11 No. 1 (2023)
Publisher : Jurusan Ilmu Komputer Fakultas MIPA Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/komputasi.v11i1.6649

Abstract

Diabetes is a prevalent disease in humans that is caused by excessive sugar levels in the body. If left untreated, it can lead to severe consequences such as paralysis, decay in certain parts of the body, and even death. Unfortunately, early detection of diabetes is difficult, and many cases go untreated until it is too late. However, the development of technology has opened up new possibilities for early detection and treatment of diabetes. One such approach is classification, a commonly used method in the field of Computer Science. Classification is used in various fields, including health, agriculture, and animal diseases, to draw conclusions based on input data using cause-and-effect relationships. Many different learning concepts and methods can be used in classification, with the Decision Tree concept being one of the most popular examples. This study compares several classification methods, including Decision Tree, Random Forest, AdaBoost, and Stochastic Gradient Boost, with feature selections carried out using MI and IF. The study aims to evaluate the effectiveness of these methods and the influence of feature selection on improving their performance. Based on the results of the study, it can be concluded that feature selection using Mutual Information and Importance Feature can improve the classification accuracy in some methods, particularly in Random Forest, AdaBoost, and Stochastic Gradient Boost. However, the Decision Tree algorithm did not show any improvement in accuracy after feature selection. The best classification accuracy was achieved with the Stochastic Gradient Boost method using the original dataset without feature selection, while the Random Forest method showed the highest accuracy after using all the features. Overall, the results suggest that feature selection can be a useful technique for improving the performance of classification algorithms in diabetes prediction. The study suggests that future research could investigate other classification methods, such as Neural Network or Deep Learning, and use optimization algorithms like Genetic Algorithm or Particle Swarm Optimization to improve feature selection results.
Co-Authors AA Sudharmawan, AA Abadi, Friska Abdul Latief Abadi Abdullayev, Vugar Achmad Rizal Adawiyah, Laila Afifa, Ridha Ahmad Rusadi Arrahimi - Universitas Lambung Mangkurat) Ahmad Rusadi Arrahimi - Universitas Lambung Mangkurat) Ahmad Tajali Aida, Nor Ajwa Helisa Al Ghifari, Muhammad Akmal Alamudin, Muhammad Faiq Alfita Rakhmandasari Amelia Aditya Santika Andi Farmadi Andi Farmadi Anshari, Muhammad Ridha Anshory, Muhammad Naufal Ansyari, Muhammad Ridho Arif Darmawan Athavale, Vijay Anant Athavale, Vijay Annant Bachtiar, Adam Mukharil Bachtiar, Adam Mukharil Difa Fitria Dina Arifah Diny Melsye Nurul Fajri Diny Melsye Nurul Fajri Dodon Turianto Nugrahadi Dwi Kartini Dwi Kartini, Dwi Dzira Naufia Jawza Erdi, Muhammad Erlianita, Noor Faisal, Mohammad Reza Fatma Indriani Fatma Indriani Febrian, Muhamad Michael Friska Abadi Haekal, Muhammad Haekal, Muhammad Hafizah, Rini Hermiati, Arya Syifa Herteno, Rudy Huynh, Phuoc-Hai Ichwan Dwi Nugraha Indriani, Fatma Irwan Budiman Irwan Budiman Irwan Budiman Itqan Mazdadi, Muhammad Ivan Sitohang Jumadi Mabe Parenreng Keswani, Ryan Rhiveldi Lilies Handayani Lumbanraja, Favorisen R M. Khairul Rezki Mafazy, Muhammad Meftah Mariana Dewi Muhamad Fawwaz Akbar Muhammad Al Ichsan Nur Rizqi Said Muhammad Alkaff Muhammad Darmadi Muhammad Fauzan Nafiz Muhammad Haekal Muhammad Haekal Muhammad Ikhwan Rizki Muhammad Itqan Mazdadi Muhammad Mursyidan Amini Muhammad Nadim Mubaarok Muhammad Reza Faisal, Muhammad Reza Muhammad Rofiq Muliadi Muliadi Muliadi Muliadi Muliadi Muliadi Muliadi Muliadi Muliadi Musyaffa, Muhammad Hafizh Nafiz, Muhammad Fauzan Noorhafizi, Muhammad Noryasminda Nugraha, Muhammad Amir Nurcahyati, Ica Nurlatifah Amini Okta Muthia Sari Purwoko, Agus Putra, Aditya Maulana Perdana Radityo Adi Nugraha Radityo Adi Nugroho Rahmat Ramadhani Rahmat Ramadhani Rahmatullah, Satrio Wibowo Rahmayanti Rahmayanti Ramadhani, Rahmat Ratna Septia Devi Regina Reza Faisal, Mohammad Rezeki, Abdillah Rizki, M. Alfi Rozaq, Hasri Akbar Awal Rozaq, Hasri Awal Akbar Rudy Herteno Rudy Herteno Safitri, Yasmin Dwi Said, Muhammad Al Ichsan Nur Rizqi SALLY LUTFIANI Salsha Farahdiba Setyo Wahyu Saputro Siena, Laifansan Siti Aisyah Solechah Siti Napi'ah Suci Permata Sari Sulastri Norindah Sari Tajali, Ahmad Totok Wianto Vivi Nur Wijayaningrum Wahyu Caesarendra Wayan Firdaus Mahmudy Winda Agustina Yanche Kurniawan Mangalik YILDIZ, Oktay Yusuf Priyo Anggodo Zamzam, Yra Fatria