cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota adm. jakarta barat,
Dki jakarta
INDONESIA
Computatio : Journal of Computer Science and Information Systems
Published by Universitas Tarumanagara
ISSN : -     EISSN : -     DOI : -
Core Subject : Science,
Computer Science & IT
Arjuna Subject : -
Articles 245 Documents
 18   19   20   21   22 
PREDIKSI KURS MATA UANG DENGAN METODE LONG SHORT TERM MEMORY (LSTM) BERBASIS ATTENTION Rusdi, Zyad; Lubis, Chairisni; Tjandra, Vincent Geraldy
Computatio : Journal of Computer Science and Information Systems Vol. 5 No. 2 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v5i2.13117

Abstract

Currency exchange is the exchange rate for current or future payments between two currencies of each country. In Indonesia, there are frequent fluctuations in the exchange rate of USD against IDR which causes instability in economic growth. This has resulted in reduced interest from foreign investors in investing in Indonesia, and has resulted in degeneration of development because the position of foreign investors is very important for economic growth. Therefore, predictions are needed to anticipate exchange rate fluctuations using the Long Short - Term Memory (LSTM) method. Some of the steps taken are collecting data, preprocessing, splitting data, build the LSTM model architecture, training the model, and testing. From the test results, the best results were obtained for the LSTM and LSTM + attention models, namely by using the parameters of 60 timestep, 32 neurons, 150 epoch, 32 batch size, and a learning rate of 0.001. The results obtained from the LSTM model are the total training time of 108.76 seconds, the loss value is 0.000162, and the RMSE result is 1.3328. The results obtained from the LSTM + attention model are the total training time of 116.05 seconds, the loss value is 0.000157, and the RMSE result is 0.6335. So it can be concluded that LSTM with attention can improve training accuracy.
Cover Computatio vol.5 no.1 th.2021 Editor, Tim
Computatio : Journal of Computer Science and Information Systems Vol. 5 No. 1 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Cover Computatio vol.5 no.1 th.2021
PERANCANGAN UI/UX APLIKASI CERDAS SEPUTAR CORONA (CERNA) DENGAN METODE DESIGN THINKING Lim, Carlene; Sumarlie, Aurellia Clearesta; Margatan, Natalicia; Haris, Darius Andana
Computatio : Journal of Computer Science and Information Systems Vol. 5 No. 2 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v5i2.13470

Abstract

CERNA, atau Cerdas Seputar Corona merupakan sebuah aplikasi mobile yang menyediakan informasi anti hoax yang dirancang sebagai sebuah solusi untuk meringankan beban masyarakat di masa pandemi COVID-19. CERNA memiliki fitur ambulans darurat, CernaPedia, dan juga IsoCare. Aplikasi CERNA dirancang dengan metode Design Thinking dan menggunakan beberapa teknik dalam tiap langkahnya. Diuji dengan metode Usability Testing, hasil menunjukkan bahwa aplikasi CERNA mudah digunakan dan dipahami, informatif, dan juga memiliki desain yang menarik. Terdapat beberapa saran dari user seperti penambahan fitur Track My Ambulance.
Sistem Informasi Pengolahan Data Pemantauan Karyawan Studi Kasus PT Gadai Jadi Berkah Syarah, Syarah; Daulay, Desy Mora; Kurniadi, Try
Computatio : Journal of Computer Science and Information Systems Vol. 5 No. 1 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v5i1.15129

Abstract

Sumber Daya Manusia adalah komponen penting dalam perusahaan, saat ini Sumber Daya Manusia bukan hanya sebagai alat produksi tetapi juga sebagai penggerak dan penentu berlangsungnya segala aktifitas dalam suatu organisasi. PT Gadai Jadi Berkah dengan jumlah karyawan sekitar 200 orang yang terdiri dari kantor pusat dan 50 outlet yang tersebar di beberapa daerah.Pengolahan dan penyimpanan informasi data karyawan yang masih konvensional yaitu berupa file kertas yang tertera pada mading perusahaan, informasi data karyawan pada mading tidak cepat terupdate ketika adanya perubahan posisi karyawan  sehingga menyebabkan kesalahan informasi posisi karyawan dan sulitnya memantau status karyawan (training, kontrak, dan tetap) dan grade karyawan (A, B, C, D), untuk itu dibutuhkan sistem pengolahan data pemantauan karyawan yang dapat membantu HRD dalam mengolah data karyawan, memantau status dan grade karyawan. Sistem pengolahan data pemantauan karyawan ini dibuat menggunakan bahasa pemograman PHP dan database Mysql dan metode penelitian yang digunakan yaitu metode analisis menggunakan analisis Object Oriented Analysis(OOA), metode perancangan sistem menggunakan tools Unified Modeling Language (UML) dan pengujian sistem menggunakan blackbox testing. Penelitian ini menghasilkan sistem pengolahan data pemantauan karyawan dengan tujuan untuk Membantu HRD dalam mengolah data karyawan dengan cepat dan membantu HRD dalam memantau status karyawan (training, kontrak dan tetap), grade karyawan (A, B, C, D) serta memperoleh informasi perubahan posisi karyawan dengan cepat dan up to date.
Aplikasi Prediksi Hutang Dengan Menggunakan Algoritma Regresi Polinomial Ariya, Catur; Prawira, Arya
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.15172

Abstract

Laporan ini mendeskripsikan sebuah algoritma untuk prediksi pinjaman hutang menggunakan Polynomial Regressionluntuk menghitung jumlah hutang yang dapat dipinjam oleh debitur. keuntungan penggunaan algoritma ini adalahpemilihan degree yang dapat disesuaikan dengan bentuk penyebaran data sehingga mendapatkan akurasi yang maksimal. Kami menggunakan bahasa pemrogramanpython bersama dengan library scikit-learn,numpy, dan pandas untuk prediksi dan transformasi data serta seaborn dan matplotlip untuk visualisasi.
Implementasi Machine Learning Untuk Prediksi Harga Rumah Menggunakan Algoritma Random Forest Hadi, Nicholas; Benedict, Jason
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.15173

Abstract

Dengan pentingnya peran rumah dalam kehidupan masyarakat, banyak orang yang pasti bertujuan untuk melakukan pembelian atau penjualan rumah. Dengan banyaknya kriteria – kriteria yang dapat mempengaruhi harga rumah, membuat harga rumah sangat susah untuk di prediksi. Harga rumah tersebut tentu saja dapat diprediksi dengan menggunakan 3 algoritma Machine Learning yaitu Random Forest, Decision Tree, dan Polynomial Regression. Manfaat dalam penelitian ini adalah untuk mengetahui kriteria yang paling mempengaruhi harga rumah, dan memperlihatkan hasil akurasi dari setiap algoritma yang digunakan serta menemukan algoritma prediksi terbaik dari 3 algoritma tersebut. Penelitian ini dilakukan pada dataset harga rumah di King County, USA yang bersumber dari situs Kaggle. Dalam hasil pengujian korelasi dari 13 variabel data yang digunakan, ditemukan bahwa variabel luas rumah, grade, dan luas atas rumah mempunyai nilai pengaruh besar terhadap harga rumah. Hasil pengujian 3 algoritma tersebut dievaluasi dengan nilai R2 dan RMSE. Algoritma Random Forest dinyatakan menghasilkan prediksi terbaik dibandingkan 2 algoritma tersebut, dengan tingkat akurasi sebesar 86,54% dan nilai RMSE sebesar 144913.73.
Klasifikasi Pasien Terkena Breast Cancer Menggunakan Metode Machine Learning Tjengharwidjaja, Adryan; Saputra, Brando Dharma; Michael Emmanuel, Yagyu Munenori
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.15174

Abstract

Kanker payudara adalah salah satu keganasan terbanyak dan memiliki angka kematian cukup tinggi pada wanita. Menurut data World Health Organization (WHO) pada tahun 2020, terdapat 2,3 juta wanita yang terdiagnosis kanker payudara dan 685,000 kematian secara global. Hingga akhir tahun 2020, ada 7,8 juta wanita hidup yang didiagnosis menderita kanker payudara dalam 5 tahun terakhir, menjadikannya kanker paling umum di dunia. Ada lebih banyak tahun hidup yang disesuaikan dengan disabilitas yang hilang (DALYs) oleh wanita karena kanker payudara secara global daripada jenis kanker lainnya. Kanker payudara terjadi di setiap negara di dunia pada wanita pada usia berapa pun setelah pubertas tetapi dengan tingkat yang meningkat di kemudian hari. Kematian akibat kanker payudara tidak banyak berubah dari tahun 1930-an hingga 1970-an. Perbaikan dalam kelangsungan hidup dimulai pada 1980-an di negara-negara dengan program deteksi dini yang dikombinasikan dengan berbagai cara pengobatan untuk memberantas penyakit infasif. Untuk mencari solusi supaya bisa mengurangi korban jiwa yang diakibatkan oleh kanker payudara, maka kami ingin membuat sebuah sistem yang bisa mengklasifikasi apakah seseorang terkena kanker payudara yang termasuk Benign (tumbuh perlahan, tidak menyebar) atau Malignant (ganas, dan bisa menyebar) dengan beberapa metode machine learning. Data yang digunakan untuk penelitian ini berasal dari Wisconsin yang didapat dari UCI Machine Leaning Repository. Metode yang akan digunakan adalah Logistic Regression, Random Forest dan Decision Tree. Dari ketiga metode tersebut akan dibandingkan manakah model yang memberikan nilai akurasi paling bagus. Setelah melakukan uji coba terhadap dataset test, hasil penelitian ini menunjukkan bahwa dari ketiga metode tersebut, Decision Tree memberikan nilai akurasi paling tinggi, posisi kedua adalah Random Forest, dan hasil paling kecil adalah Logistic Regression. Kesimpulan yang didapat adalah ketiga metode machine learning ini dapat digunakan dan diterapkan ke dalam kasus prediksi klasifikasi kanker payudara benign atau malignant, dan decision tree memberikan hasil paling tinggi. Dengan pengetahuan ini, orang yang terkena kanker payudara bisa mengambil keputusan mengenai cara mengatasi kanker tersebutKanker payudara adalah salah satu keganasan terbanyak dan memiliki angka kematian cukup tinggi pada wanita. Menurut data World Health Organization (WHO) pada tahun 2020, terdapat 2,3 juta wanita yang terdiagnosis kanker payudara dan 685,000 kematian secara global. Hingga akhir tahun 2020, ada 7,8 juta wanita hidup yang didiagnosis menderita kanker payudara dalam 5 tahun terakhir, menjadikannya kanker paling umum di dunia. Ada lebih banyak tahun hidup yang disesuaikan dengan disabilitas yang hilang (DALYs) oleh wanita karena kanker payudara secara global daripada jenis kanker lainnya. Kanker payudara terjadi di setiap negara di dunia pada wanita pada usia berapa pun setelah pubertas tetapi dengan tingkat yang meningkat di kemudian hari. Kematian akibat kanker payudara tidak banyak berubah dari tahun 1930-an hingga 1970-an. Perbaikan dalam kelangsungan hidup dimulai pada 1980-an di negara-negara dengan program deteksi dini yang dikombinasikan dengan berbagai cara pengobatan untuk memberantas penyakit infasif. Untuk mencari solusi supaya bisa mengurangi korban jiwa yang diakibatkan oleh kanker payudara, maka kami ingin membuat sebuah sistem yang bisa mengklasifikasi apakah seseorang terkena kanker payudara yang termasuk Benign (tumbuh perlahan, tidak menyebar) atau Malignant (ganas, dan bisa menyebar) dengan beberapa metode machine learning. Data yang digunakan untuk penelitian ini berasal dari Wisconsin yang didapat dari UCI Machine Leaning Repository. Metode yang akan digunakan adalah Logistic Regression, Random Forest dan Decision Tree. Dari ketiga metode tersebut akan dibandingkan manakah model yang memberikan nilai akurasi paling bagus. Setelah melakukan uji coba terhadap dataset test, hasil penelitian ini menunjukkan bahwa dari ketiga metode tersebut, Decision Tree memberikan nilai akurasi paling tinggi, posisi kedua adalah Random Forest, dan hasil paling kecil adalah Logistic Regression. Kesimpulan yang didapat adalah ketiga metode machine learning ini dapat digunakan dan diterapkan ke dalam kasus prediksi klasifikasi kanker payudara benign atau malignant, dan decision tree memberikan hasil paling tinggi. Dengan pengetahuan ini, orang yang terkena kanker payudara bisa mengambil keputusan mengenai cara mengatasi kanker tersebut
SISTEM KLASIFIKASI KERAPIHAN KAMAR HOTEL MENGGUNAKAN CONVOLUTED NEURAL NETWORK (CNN) Dharmali, Michael Joses; Lioner, Teddy; Susilo, Venezia Valen
Computatio : Journal of Computer Science and Information Systems Vol. 5 No. 2 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v5i2.15175

Abstract

Menjaga kebersihan kamar hotel merupakan salah satu aspek terpenting dalam menentukan keberhasilan pelayanan hotel. Tujuan yang ingin dicapai dari penelitian ini adalah untuk membuat program yang dapat membuat klasifikasi kerapihan kamar secara otomatis dengan menggunakan algoritma convoluted neural network (CNN). Metode penelitian bersifat kuantitatif dengan menggunakan data berupa citra / gambar kamar dengan tingkat kerapihan kamar yang berbeda-beda. Model yang telah dibuat pada penelitian ini mencapai tingkat akurasi sebesar 94,92% dan 100% untuk 20 data validasi. Adapun hasil dan kesimpulan yang dapat ditarik dari penelitian ini adalah CNN dapat memberikan klasifikasi kerapihan kamar dengan akurasi yang tinggi, sehingga dapat menjadi salah satu alternatif dalam membantu kinerja manajemen hotel.
Prediksi Serangan Jantung dengan Menggunakan Metode Logistic Regression Classifier dan Adaboost Dharmawan, Steven; Fernandes, Vincent; Halim, Hizkia
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.15176

Abstract

Serangan jantung merupakan penyebab kematian nomor 1 di dunia pada tahun 2019. Hal ini mendorong kami untuk membuat sebuah aplikasi yang dapat memprediksi resiko terkena serangan jantung. Penelitian yang kami lakukan menggunakan berbagai metode dan mendapatkan akurasi sebesar 86.8421% menggunakan metode Logistic_Regression, 76.3158% menggunakan metode Decision Tree, 86.8421% menggunakan metode RandomForest Classification, 88.1579% menggunakan metode Bagging Classification, 90.7895% menggunakan metode AdaBoost Classification, 88,1579% menggunakan metode Voting_Classifier. Kami meningkatkan akurasi dari penelitian-penelitian yang dilakukan sebelumnya yaitu dari 88.6% menjadi 90.7895%.
Prediksi Kelembapan Tanah Pada Tingkat Kecamatan di Wilayah Bogor Dengan Metode CNN LSTM Sopany, Mitchell Ryu; Herwindiati, Dyah Erny; Hendryli, Janson
Computatio : Journal of Computer Science and Information Systems Vol. 6 No. 1 (2022): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v6i1.15740

Abstract

Kelembapan tanah pada kecamatan di wilayah Bogor perlu diperhatikan sebagai acuan sumber air bersih untuk mencukupi kebutuhan air bersih yang tinggi di wilayah Jakarta. Aplikasi prediksi kelembapan tanah dibuat menggunakan bahasa pemrograman Python dengan metode CNN LSTM bertujuan untuk memprediksi kelembapan tanah pada tingkat kecamatan wilayah Bogor dalam kelompok kelembapan tanah tinggi, kelembapan tanah rendah, dan kering menggunakan data citra satelit Landsat 8. Citra satelit Landsat 8 dilakukan preprocessing dengan transformasi menjadi bernilai 8 bit dan pemotongan tiap kecamatan dalam wilayah Bogor terhadap band 2, 3, 4, 5, 6, dan 7. Prediksi kelembapan tanah dilakukan menggunakan metode CNN lSTM dengan input berupa nilai kelembapan tanah menggunakan nilai NDVI citra satelit Landsat 8. Output berupa citra prediksi kelembapan tanah yang dikelompokkan pada kelembapan tanah tinggi, kelembapan tanah rendah, dan kering. Hasil penelitian menunjukkan model prediksi kelembapan tanah memiliki nilai rata-rata R2 Score 0.7422, MAE 0.0798, dan MSE 0.0416 sehingga model dapat memprediksi kelembapan tanah dengan baik.

Page 20 of 25 | Total Record : 245

 18   19   20   21   22 

Filter by Year

2017 2025


Reset
Filter By Issues
All Issue Vol. 9 No. 1 (2025): Computatio: Journal of Computer Science and Information Systems Vol. 8 No. 2 (2024): Computatio: Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems Vol. 7 No. 2 (2023): Computatio: Journal of Computer Science and Information Systems Vol. 7 No. 1 (2023): Computatio: Journal of Computer Science and Information Systems Vol. 6 No. 2 (2022): Computatio: Journal of Computer Science and Information Systems Vol. 6 No. 1 (2022): Computatio: Journal of Computer Science and Information Systems Vol 6, No 1 (2022): Computatio: Journal of Computer Science and Information Systems Vol 5, No 2 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 5 No. 2 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 5 No. 1 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 5, No 1 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 4 No. 2 (2020): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 4, No 2 (2020): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 4 No. 1 (2020): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 4, No 1 (2020): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 3 No. 2 (2019): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 3, No 2 (2019): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 3 No. 1 (2019): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 3, No 1 (2019): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 2 No. 2 (2018): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 2, No 2 (2018): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 2, No 1 (2018): Computatio : Journal of Computer Science and Information Systems Vol 1, No 2 (2017): Computatio : Journal of Computer Science and Information Systems Vol. 1 No. 2 (2017): Computatio : Journal of Computer Science and Information Systems Vol 1, No 1 (2017): Computatio : Journal of Computer Science and Information Systems More Issue