cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Syahroni Wahyu Iriananda
Contact Email
syahroni@widyagama.ac.id
Phone
-
Journal Mail Official
syahroni@widyagama.ac.id
Editorial Address
-
Location
Kota malang,
Jawa timur
INDONESIA
Journal of Information Technology and Computer Science (JOINTECS)
Published by Universitas Widyagama
ISSN : 25413619     EISSN : 25416448     DOI : -
Core Subject : Science, Education, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics
JOINTECS terbit 2 (dua) kali dalam setahun, yaitu pada bulan Agustus dan Pebruari dengan versi cetak p-ISSN: 2541-3619 dan versi elektronik dengan sistem OJS dengan e-ISSN: 2541-6448. (medio online) yang mewajibkan setiap naskah yang masuk, proses review, editing, sampai pada publikasi, dan semua yang berhubungan dengan sistem, wajib menggunakan Open Journal Sistem (OJS). JOINTECS dapat diakses melalui website http://publishing-widyagama.ac.id/ejournal-v2/index.php/jointecs yang telah mendukung penuh fitur-fitur OJS tersebut.
Arjuna Subject : -
Articles 5 Documents
 1 
Search results for , issue "Vol 8, No 1 (2024)" : 5 Documents clear
Sistem Pendukung Keputusan Penerimaan Bantuan Non Tunai Menggunakan Metode AHP Dan WP Nurhaba Djiha; Anik Vega Vitianingsih; Mochammad Syaiful Riza; Anastasia Lidya Maukar; Seftin Fitri Ana Wati
JOINTECS (Journal of Information Technology and Computer Science) Vol 8, No 1 (2024)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31328/jointecs.v8i1.5222

Abstract

Saat ini proses penentuan penerima Bantuan Pangan Non Tunai (BPNT) masih kurang obyektif dan belum maksimal sehingga menimbulkan ketidakpuasan di kalangan warga desa. Tujuan dari penelitian ini adalah menggunakan metode AHP dan WP untuk mengembangkan sistem pendukung keputusan bagi penerima bantuan non tunai (BPNT). Bobot kriteria ditentukan dengan menggunakan metode AHP, dan nilai setiap alternatif dihitung dengan menggunakan metode WP. Parameter yang digunakan makan sebanyak dalam sehari, biaya pengobatan, pendapatan per bulan, sumber penerangan, bahan bakar memasak, fasilitas buang air besar, konsumsi jenis makanan, luas lantai, jenis dinding, sumber air minum, tabungan, jenis lantai, pembelian pakaian, pendidikan kepala rumah tangga dan sebanyak 20 data uji yang akan di olah dalam melakukan perangkingan. Akurasi sebesar 80% dicapai pada pengujian validasi dengan confusion matriks dan 20 kumpulan data alternatif, menunjukkan bahwa metode WP dapat menghasilkan rekomendasi alternatif yang paling optimal. Hasil penelitian ini dapat membantu pemerintah desa dalam menentukan penerima BPNT yang layak sesuai dengan kriteria yang digunakan.
Perbandingan Performa SVM dan Naïve Bayes Pada Analisis Sentimen Aplikasi Game Online Galang Paksi Permana; Danang Aditya Nugraha; Heri Santoso
JOINTECS (Journal of Information Technology and Computer Science) Vol 8, No 1 (2024)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31328/jointecs.v8i1.4854

Abstract

Game online saat ini berkembang sangat pesat terutama game online berbasis mobile, salah satunya adalah Clash of Clans. Game yang sudah berusia lebih dari 10 tahun ini masih mampu bersaing dengan game mobile terbaru lainnya. Hal tersebut tidak lepas dari pengembangan dan pembaruan yang dilakukan oleh developer. Namun tentu pengembangan dan pembaruan tersebut tidak bisa sepenuhnya diterima oleh seluruh pemain game Clash of Clans. Banyak ulasan yang diberikan oleh pengguna di Google Play Store. Ditemukan ketidak sinkronan antara rating yang diberikan dengan ulasan yang diberikan, oleh karena itu dibutuhkan analisis sentimen untuk mengetahui jenis sentimen yang diberikan. Pada penelitian ini dilakukan penerapan optimasi ekstraksi fitur TF-IDF (Term Frequency - Inverse Document Frequency) dan N-Gram, serta seleksi fitur Chi-Square dan SelectKBest pada analisis sentimen pengguna aplikasi game online Clash of Clans menggunakan algoritma Support Vector Machine dan Naïve Bayes dengan tujuan menerapkan dan mencari model klasifikasi terbaik untuk mendapatkan hasil akurasi yang lebih akurat. Hasil pengujian menunjukkan bahwa model klasifikasi dengan ekstraksi fitur TF-IDF (Term Frequency - Inverse Document Frequency) dan N-Gram, serta seleksi fitur Chi-Square dan SelectKBest adalah model klasifikasi paling optimal dengan hasil akurasi tertinggi 93% pada Support Vector Machine pada presentase rasio 70:30, sementara akurasi tertinggi yang diperoleh Naïve Bayes sebesar 91,6% dengan presentase rasio yang sama.
Analisis Efisiensi Penjadwalan Teknisi Pemasangan Layanan Internet Menggunakan Metode SAW dan ROC Ibnu Al Ikrom; Rony Heri Irawan; Julian Sahertian
JOINTECS (Journal of Information Technology and Computer Science) Vol 8, No 1 (2024)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31328/jointecs.v8i1.5932

Abstract

Penelitian ini bertujuan untuk meningkatkan efisiensi operasional di penyedia layanan internet dengan mengurangi penundaan dalam pemasangan layanan pelanggan baru melalui pengembangan sistem penjadwalan teknisi yang efektif, yang berfokus pada penugasan pekerjaan untuk mempercepat durasi pemasangan layanan, menggunakan metode Simple Additive Weighting (SAW) dan pembobotan Rank Order Centroid (ROC). Metode SAW digunakan untuk menghitung bobot relatif dari kriteria yang relevan dalam penjadwalan teknisi, sementara pembobotan ROC diterapkan untuk menghitung peringkat relatif teknisi berdasarkan kriteria tertentu. Penelitian ini mengintegrasikan aplikasi berbasis web untuk manajemen pesanan dalam lingkungan Internet Service Provider (ISP). Hasilnya menunjukkan peningkatan efisiensi alternatif yang signifikan untuk alternatif A sebesar 79,08%, alternatif B sebesar 65,49%, dan alternatif C sebesar 95,98%. Pergeseran peringkat alternatif dari alternatif B ke alternatif C menunjukkan kemungkinan pergeseran prioritas yang mungkin disebabkan oleh peningkatan efisiensi. Evaluasi menggunakan Mean Absolute Deviation (MAD) dan Mean Absolute Percentage Error (MAPE) memberikan wawasan tambahan tentang prediksi model. Dengan nilai MAD sebesar 0,666667 dan MAPE sebesar 27,78% pada bulan September 2023, model peringkat SAW dan pembobotan ROC memberikan prediksi yang cukup akurat dengan tingkat kesalahan yang dapat diterima. Merekomendasikan perbaikan dan peningkatan sistem penempatan pesanan berdasarkan peringkat alternatif tertinggi. Kesimpulannya, sistem penjadwalan teknisi yang diusulkan dapat meningkatkan efisiensi operasional di ISP dengan mengurangi penundaan dalam pemasangan layanan pelanggan baru, yang berkontribusi pada peningkatan kinerja dan efisiensi operasional perusahaan.
Penerapan Long Short-Term Memory untuk Klasifikasi Multi-Label Terjemahan Al-Qur’an dalam Bahasa Indonesia Ismail Akbar; Muhammad Faisal; Totok Chamidy
JOINTECS (Journal of Information Technology and Computer Science) Vol 8, No 1 (2024)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31328/jointecs.v8i1.5291

Abstract

Mempelajari Al-Qur'an adalah salah satu ibadah yang sangat dianjurkan dalam Islam, dan memahami cara mengklasifikasikan ayat-ayatnya sangat penting. Pengelompokan ayat-ayat ini mempermudah pencarian dan mempelajari ayat-ayat terkait, karena setiap ayat dapat termasuk dalam satu atau lebih kategori yang berbeda. Penelitian ini bertujuan untuk mengembangkan model klasifikasi multi-label untuk teks terjemahan Al-Qur’an dalam bahasa Indonesia menggunakan Bi-Directional Long Short-Term Memory (Bi-LSTM) dan teknik word embedding Word2Vec dengan arsitektur Continuous Bag of Words (CBOW). Data yang digunakan berasal dari terjemahan resmi Kementerian Agama Republik Indonesia, khususnya dari Surah An-Nisa', Surah Al-Maidah, dan Surah Al-An'am, dengan total 461 ayat. Proses klasifikasi mempertimbangkan empat kategori utama: Tauhid, Ibadah, Akhlaq, dan Sejarah (Tarikh). Model diuji dengan berbagai skenario pembagian data dan dievaluasi menggunakan metrik akurasi, precision, recall, dan Hamming Loss. Hasil menunjukkan bahwa model Bi-LSTM dengan Word2Vec mencapai akurasi 70,21%, precision 64,31%, recall 61,13%, dan Hamming Loss 36,52%. Meskipun menunjukkan peningkatan signifikan, model ini masih menghadapi tantangan dalam mencapai akurasi yang lebih tinggi karena kompleksitas bahasa Al-Qur’an. Penelitian ini menyarankan penggunaan data yang lebih representatif, teknik embedding lain, dan arsitektur model yang lebih canggih untuk perbaikan lebih lanjut. Model ini diharapkan dapat mempermudah pembelajaran dan pemahaman Al-Qur’an secara lebih akurat dan efisien.
Perbandingan Algoritma Machine Learning dan Deep Learning dalam Analisis Sentimen Ulasan PLN Mobile Ismail Akbar; Muhammad Faisal
JOINTECS (Journal of Information Technology and Computer Science) Vol 8, No 1 (2024)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31328/jointecs.v8i1.5078

Abstract

Rating ulasan aplikasi play store memiliki nilai strategis karena merupakan informasi penting bagi pengembang aplikasi untuk meningkatkan kualitas layanan di dunia digital. Salah satu aplikasi yang dijadikan subjek penelitian ini adalah PLN Mobile. Sejak diluncurkannya aplikasi PLN Mobile, terbukti masih banyak opini masyarakat yang tidak puas dengan penggunaan aplikasi PLN Mobile. Oleh karena itu, masih memiliki kelemahan bagi pengguna aplikasi dan pengembang aplikasi saat menganalisis komentar penulis pengguna. Dalam penelitian ini, dilakukan pengujian dengan membandingkan beberapa algoritma machine learning terdiri dari logistic regression, decision tree, random forest serta algoritma deep learning terdiri neural network multi-layer perceptron (MLP) dan long short-term memory (LSTM) untuk mengklasifikasikan senitmen positif atau negatif. Penelitian ini menghasilkan 3.000 ulasan pengguna aplikasi PLN Mobile, yang terdiri dari 1.965 ulasan positif dan 1.035 ulasan negatif. Data tersebut kemudian diuji dengan menggunakan model logistic regression yang memiliki akurasi sebesar 84,47%, decision tree yang memiliki akurasi sebesar 79,30%, dan random forest yang memiliki akurasi sebesar 83,64%. Sedangkan model algoritma deep learning khususnya Neural Network Multilayer Perceptron (MLP) memiliki akurasi sebesar 84,47%, sedangkan pengujian dengan Long Short Term Memory (LSTM) memberikan akurasi sebesar 78,83%. Berdasarkan penelitian analisis sentimen dalam ulasan pengguna aplikasi PLN Mobile, model machine learning yang menggunakan algoritma logistic regression dan model deep learning yang menggunakan algoritma neural network multi-layer perceptron (MLP) memiliki keunggulan dalam akurasi dibandingkan algoritma lainnya.

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2024 2024


Reset
Filter By Issues
All Issue Vol 8, No 2 (2024) Vol 8, No 1 (2024) Vol 8, No 3 (2023) Vol 8, No 2 (2023) Vol 8, No 1 (2023) Vol 7, No 3 (2022) Vol 7, No 2 (2022) Vol 7, No 1 (2022) Vol 6, No 3 (2021) Vol 6, No 2 (2021) Vol 6, No 1 (2021) Vol 5, No 3 (2020) Vol 5, No 2 (2020) Vol 5, No 1 (2020) Vol 4, No 3 (2019) Vol 4, No 2 (2019) Vol 4, No 1 (2019) Vol 3, No 3 (2018) Vol 3, No 2 (2018) Vol 3, No 1 (2018) Vol 2, No 2 (2017) Vol 2, No 1 (2017) Vol 1, No 1 (2016) More Issue