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 260 Documents
 22   23   24   25   26 
Klasifikasi Deteksi Asap: Menganalisis Kinerja Algoritma KNN dan ANN Emmanuel Garcia Sumargo
Computatio : Journal of Computer Science and Information Systems Vol. 10 No. 1 (2026): 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.v10i1.29826

Abstract

Deteksi dini asap merupakan aspek kunci dalam upaya pencegahan kebakaran dan keselamatan lingkungan. Dalam penelitian ini, disajikan analisis kinerja dua algoritma klasifikasi, yaitu K�Nearest Neighbors (KNN) dan Artificial Neural Networks (ANN), dalam klasifikasi deteksi asap berdasarkan data lingkungan. Dataset yang digunakan terdiri dari berbagai fitur, termasuk suhu, kelembaban, konsentrasi senyawa organik volatil, dan konsentrasi partikulat matter, yang dikumpulkan dengan bantuan perangkat Internet of Things (IoT). Tujuan utama dari penelitian ini adalah untuk membandingkan akurasi prediksi kedua algoritma tersebut dalam membedakan keberadaan asap, dengan variabel target "Fire Alarm" yang menandakan adanya (1) atau tidak adanya (0) kebakaran. Hasil eksperimen menunjukkan bahwa algoritma KNN mencapai akurasi tertinggi sebesar 99.992%, sedangkan algoritma ANN mencapai akurasi 96.604%. Analisis mendalam tentang kinerja kedua algoritma ini, bersama dengan implikasi dan keterbatasan penelitian, disajikan dalam artikel ini.
Perbadingan Algoritma Machine Learning Klasifikasi pada Dataset Jenis Beras Vincent Alexander; Teny Handhayani
Computatio : Journal of Computer Science and Information Systems Vol. 10 No. 1 (2026): 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.v10i1.29898

Abstract

Sebagai salah satu bahan pangan global yang penting, ketersediaan beras sangat vital dalam memenuhi kebutuhan pokok sehingga proses identifikasi jenis beras yang cepat menjadi salah satu faktor pendukung. Sayangnya, proses identifikasi jenis beras secara manual cukup sulit dilakukan. Oleh karena itu, penggunaan machine learning dalam melakukan klasifikasi jenis beras sangat direkomendasikan karena mampu mempercepat proses identifikasi beras dengan hasil yang dapat dipertanggungjawabkan dan dipercaya. Penelitian ini bertujuan untuk membuat dan menerapkan model pembelajaran supervised klasifikasi pada dataset jenis beras sehingga kategori beras (Osmancik dan Cammeo) dapat teridentifikasi secara akurat. Penelitian ini menggunakan beberapa algoritma supervised klasifikasi yaitu decision tree, support vector machine (SVM), k-nearest neighbor, (KNN) dan artificial neural network. Hasil eksperimen model klasifikasi pada dataset jenis beras dengan beberapa algoritma supervised learning menghasilkan performa model dengan variabilitas yang beragam. Model decision tree dan SVM linear menghasilkan model klasifikasi dengan rata-rata metriks performa tertinggi (0.93) dan variabilitas terendah. Sebaliknya, model ANN menghasilkan variabilitas tertinggi dan performa metriks terendah (0.46-0.66) untuk akurasi, precision, recall, dan F1-score.
Perbandingan Algoritma ANN, KNN dan Decision Tree untuk Klasifikasi Delay Airlines Jason Sunaryo; Teny Handhayani
Computatio : Journal of Computer Science and Information Systems Vol. 10 No. 1 (2026): 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.v10i1.29905

Abstract

As time progresses, transportation methods become more sophisticated. One of the commonly used modes of long-distance travel is by air travel. However, there are occasional challenges encountered, one of which is delays. Airlines delays not only inconvenience passengers but also incur losses for airlines due to increased operational costs. Therefore, there is a need to predict whether a flight will be delayed or not. This research aims to predict delays using three algorithms: ANN, Decision Tree, and KNN. The dataset utilized in this study consists of 539,383 records. The findings of this study indicate that the most suitable algorithm for this dataset is the Decision Tree algorithm, with an average accuracy of 62.5%.
Klasifikasi Gambar Perkotaan dengan Lahan Hijau Menggunakan SVD dan KNN Ryan Satria; Dyah Erny Herwindiati
Computatio : Journal of Computer Science and Information Systems Vol. 9 No. 2 (2025): 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.v9i2.35313

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan citra perkotaan dan lahan hijau dengan memanfaatkan metode Singular Value Decomposition (SVD) untuk reduksi dimensi dan K-Nearest Neighbors (KNN) sebagai algoritma klasifikasi. Dataset yang digunakan terdiri dari 60 gambar, masing-masing 30 citra perkotaan dan 30 citra lahan hijau, dengan ukuran 40×40 piksel yang diambil dari berbagai sumber daring. Setiap citra diubah menjadi vektor fitur berdimensi tinggi kemudian direduksi menggunakan SVD untuk mengekstraksi komponen utama yang paling signifikan. Hasil analisis scree plot menunjukkan bahwa tiga komponen utama sudah cukup untuk mewakili variansi terbesar dalam data. Selanjutnya, dataset dibagi menjadi 80% data latih dan 20% data uji untuk proses klasifikasi menggunakan KNN dengan parameter k=3. Evaluasi kinerja dilakukan dengan membandingkan hasil prediksi model terhadap label asli melalui tabel perbandingan kelas, confusion matrix, serta perhitungan akurasi. Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan citra dengan akurasi sempurna sebesar 100%. Namun hasil akurasi sempurna diakibatkan oleh jumlah dataset yang kecil. Temuan ini membuktikan bahwa kombinasi metode SVD dan KNN efektif dalam membedakan citra perkotaan dan lahan hijau berdasarkan karakteristik warna dominannya.
Perbandingan Kinerja Algoritma Logistic Regression dan Random Forest dalam Klasifikasi Potensi Tsunami Dillan Cornelius
Computatio : Journal of Computer Science and Information Systems Vol. 9 No. 2 (2025): 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.v9i2.38046

Abstract

Tsunami potential classification is an important task in disaster mitigation, and selecting the right machine learning algorithm plays a crucial role in building an accurate and reliable classification model. This study aims to compare the performance of Logistic Regression (LR) and Random Forest (RF) algorithms in classifying tsunami potential into multiple categories. The dataset used consists of 1,284 records with four selected features: Earthquake Magnitude, Latitude, Longitude, and Number of Runups. Three data splitting scenarios were applied: k-fold cross-validation (k=5), 70:30 split, and 80:20 split. Model performance was evaluated using accuracy, precision, recall, f1-score, and training time. The results show that Random Forest consistently outperformed Logistic Regression across all scenarios, achieving the highest accuracy of 0.6088, precision of 0.5751, recall of 0.6088, and f1-score of 0.5876 in the 70:30 scenario. However, Logistic Regression demonstrated significantly faster training time, averaging 0.02 seconds compared to 0.38 seconds for Random Forest. These findings suggest that Random Forest is preferable when classification accuracy is prioritized, while Logistic Regression is more suitable for time-critical applications
Klasifikasi Tingkat Keparahan Efek Samping Vaksin dari Teks Laporan Pasien Menggunakan Naive Bayes Agatha Florencia Imanuel
Computatio : Journal of Computer Science and Information Systems Vol. 9 No. 2 (2025): 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.v9i2.38053

Abstract

Post-marketing vaccine safety surveillance is one of the fundamental pillars in maintaining public confidence in national and global vaccination programs. The Vaccine Adverse Event Reporting System (VAERS), jointly managed by the U.S. Food and Drug Administration (FDA) and the Centers for Disease Control and Prevention (CDC), receives hundreds of thousands of vaccine adverse event reports each year, most of which are submitted as free-text narratives that are difficult to analyze manually. This study applies the Multinomial Naive Bayes algorithm with a Bag of Words (BoW) representation to classify the severity of vaccine adverse events based on the narrative text of VAERS patient reports from 2025.The dataset consists of 40,702 reports categorized into three severity classes: Mild (34,693 reports, 85.2%), Moderate (4,827 reports, 11.9%), and Severe (1,182 reports, 2.9%). Each report was assigned to a severity category according to the clinical criteria explicitly specified in the structured VAERS data fields. The text preprocessing stage included converting all text to lowercase and removing non-alphanumeric characters. Text features were represented using CountVectorizer with the 5,000 most frequent features and English stop-word removal.Model performance was evaluated using 5-fold Stratified K-Fold Cross-Validation with precision, recall, F1-score, and accuracy as evaluation metrics. The experimental results achieved an average accuracy of 71.39%, precision of 86.70%, recall of 71.39%, and F1-score of 75.95%, with consistent performance across all folds, indicating the model's strong generalization capability on previously unseen data. The findings of this study are expected to provide a foundation for developing resource-efficient and accountable medical report analysis tools, particularly within artificial intelligence-powered vaccine safety surveillance systems
Analisis Clustering Karakteristik Harga Pangan Strategis Antar Provinsi Indonesia 2021-2024 Menggunakan K-Means dan Hierarchical Clustering Rendy Denny
Computatio : Journal of Computer Science and Information Systems Vol. 9 No. 2 (2025): 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.v9i2.38105

Abstract

Harga pangan strategis memiliki peran penting dalam ketahanan pangan karena perubahan harga dapat menunjukkan perbedaan karakteristik antarwilayah dan antarjenis komoditas. Penelitian ini bertujuan menganalisis karakteristik harga pangan strategis antarprovinsi Indonesia periode 2021-2024 menggunakan metode K-Means dan Hierarchical Clustering. Dataset yang digunakan terdiri dari 18.792 baris data, 38 provinsi, 12 komoditas pangan strategis, dan 4 tahun pengamatan. Tahap pra-pemrosesan dilakukan dengan membersihkan format harga, menangani 59 nilai kosong menggunakan backward fill, mengonversi bulan, serta membentuk data agregat berdasarkan kombinasi provinsi, komoditas, dan bulan. Setelah proses agregasi, jumlah data yang digunakan dalam pemodelan menjadi 5.328 baris. Fitur yang digunakan berjumlah 7, yaitu harga rata-rata, harga median, harga minimum, harga maksimum, standar deviasi, rentang harga, dan koefisien variasi. Data dinormalisasi menggunakan StandardScaler sebelum diproses dengan kedua metode. Evaluasi dilakukan pada jumlah cluster 2 sampai 10 menggunakan Silhouette Score, Davies-Bouldin Index, Calinski-Harabasz Index, dan waktu komputasi. Hasil evaluasi menunjukkan bahwa nilai Silhouette Score tertinggi diperoleh pada 2 cluster untuk kedua metode. Namun, konfigurasi 10 cluster digunakan sebagai interpretasi utama karena memberikan pembagian karakteristik harga yang lebih rinci. Pada 10 cluster, K-Means memperoleh Silhouette Score 0,4501, Davies-Bouldin Index 0,7042, Calinski-Harabasz Index 7499,0354, dan waktu komputasi 0,1678 detik. Hierarchical Clustering memperoleh Silhouette Score 0,4378, Davies-Bouldin Index 0,7679, Calinski-Harabasz Index 6686,5556, dan waktu komputasi 1,4277 detik
Analisis Forecasting Karbon Monoksida DKI Jakarta 2010-2025 Berbasis Machine Learning Martin Ferdinand Suharno
Computatio : Journal of Computer Science and Information Systems Vol. 9 No. 2 (2025): 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.v9i2.38108

Abstract

Penelitian ini bertujuan untuk menganalisis tren historis konsentrasi Karbon Monoksida (CO) di Stasiun DKI1 Bundaran HI serta membangun model peramalan untuk periode 2010–2025 menggunakan metode Linear Regression, Support Vector Regression (SVR), dan Extreme Gradient Boosting (XGBoost). Metodologi penelitian melibatkan pengolahan data deret waktu (time series) harian dengan dua skenario pembagian data, yaitu 80:20 dan 70:30. Kinerja model dievaluasi menggunakan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Koefisien Determinasi (R²), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa pada skenario pembagian data 80:20, metode Linear Regression memberikan kinerja terbaik dengan nilai R² sebesar 0,5679 dan RMSE sebesar 5,0862. Namun, pada skenario 70:30, XGBoost menunjukkan stabilitas dan kemampuan prediksi yang lebih unggul dengan nilai R² sebesar 0,5154 dan RMSE sebesar 5,0790, sedangkan SVR secara konsisten menghasilkan kinerja terendah pada kedua skenario. Penelitian ini menyimpulkan bahwa model XGBoost yang berbasis tree boosting lebih adaptif terhadap fluktuasi nonlinier dan variasi proporsi data, sehingga mampu memberikan keseimbangan terbaik dalam peramalan kualitas udara di Jakarta.
Prediksi Emosi Manusia Menggunakan Swin Transformer Berdasarkan Ekspresi Wajah Juventia Agnecia; Chairisni Lubis
Computatio : Journal of Computer Science and Information Systems Vol. 10 No. 1 (2026): 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.v10i1.38116

Abstract

Perkembangan pesat teknologi Artificial Intelligence (AI) telah membawa pengaruh besar dalam bidang pengolahan citra, khususnya pada sistem analisis wajah untuk mengenali emosi manusia melalui ekspresi wajah. Penelitian ini merupakan sebuah sistem pengenalan emosi wajah dengan memanfaatkan metode deep learning berbasis arsitektur Swin Transformer, yang mengandalkan mekanisme shifted window self-attention untuk mengekstraksi informasi fitur secara efektif baik pada skala lokal maupun global. Program aplikasi yang dikembangkan menerima masukan berupa citra wajah dalam bentuk foto dan dirancang agar dapat dioperasikan secara real time. Sebelum memasuki tahap klasifikasi emosi, proses pendeteksian wajah dilakukan terlebih dahulu menggunakan metode Haar Cascade, kemudian dilanjutkan dengan tahapan pra-pemrosesan untuk menyesuaikan data input dengan kebutuhan model. Fitur-fitur yang dihasilkan oleh Swin Transformer selanjutnya diproses menggunakan fully connected layer dengan fungsi aktivasi softmax untuk menghasilkan keluaran berupa label emosi beserta nilai confidence score. Berdasarkan hasil pengujian, sistem pengenalan emosi menggunakan Swin Transformer memperoleh rata-rata akurasi sebesar 87,54% dengan akurasi validasi mencapai 74,82%. Sementara itu, metode Haar Cascade menunjukkan performa pendeteksian wajah dengan rata- rata akurasi sebesar 98,44%, meskipun masih ditemukan kesalahan deteksi pada objek non- wajah dalam kondisi tertentu. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa Swin Transformer memiliki potensi yang sangat baik untuk dikembangkan lebih lanjut dalam sistem prediksi emosi berbasis ekspresi wajah di masa mendatang
Optimalisasi Strategi Pemasaran Laptop dengan Association Rule Mining pada Data Prosesor dan Rating Pelanggan: - Johanes Fernandes Andry; Ahya Radiatul Kamila; Joel Calvary
Computatio : Journal of Computer Science and Information Systems Vol. 10 No. 1 (2026): 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.v10i1.35703

Abstract

Penelitian bertujuan menganalisis hubungan antara spesifikasi prosesor laptop dengan tingkat kepuasan pelanggan melalui metode Association Rule Mining menggunakan algoritma FP-Growth. Meningkatnya penggunaan big data analytics dalam memahami preferensi konsumen, khususnya di industri laptop. Prosesor sebagai “otak” laptop memiliki pengaruh signifikan terhadap performa dan penilaian pengguna, hubungan kuantitatifnya masih jarang dianalisis secara komprehensif. Metode penelitian dimulai dengan pengumpulan data laptop dari berbagai sumber, termasuk basis data Kaggle. Data meliputi atribut prosesor, RAM, SSD, dan rating pengguna. Proses Cleaning dan transformasi data dianalisis menggunakan FP-Growth untuk menemukan pola keterkaitan antara spesifikasi perangkat keras dan penilaian pelanggan. Hasil menunjukkan adanya korelasi kuat antara jenis prosesor dan rating laptop. Laptop dengan prosesor berkinerja tinggi serta dukungan SSD memiliki kecenderungan memperoleh rating lebih tinggi. Analisis aturan asosiasi yang diperoleh memiliki tingkat kepercayaan tinggi, sehingga dapat menjadi indikator penting dalam strategi pengembangan produk.

Page 26 of 26 | Total Record : 260

 22   23   24   25   26 

Filter by Year

2017 2026


Reset
Filter By Issues
All Issue Vol. 10 No. 1 (2026): Computatio: Journal of Computer Science and Information Systems Vol. 9 No. 2 (2025): Computatio: Journal of Computer Science and Information Systems 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