cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Rikie Kartadie
Contact Email
ojs@akakom.ac.id
Phone
+6282135469911
Journal Mail Official
ojs@akakom.ac.id
Editorial Address
Jl. Raya Janti (Majapahit) No. 143 Yogyakarta, 55198 Telp. (0274)486664
Location
Kab. bantul,
Daerah istimewa yogyakarta
INDONESIA
JIKO (Jurnal Informatika dan Komputer)
Published by Universitas Teknologi Digital Indonesia
ISSN : 24774413     EISSN : 24773964     DOI : https://doi.org/10.26798/jiko
Core Subject : Science,
Computer Science & IT
JIKO (Jurnal Informatika dan Komputer) is a scientific journal published by Lembaga Penelitian dan Pengabdian Masyarakat of Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM) Yogyakarta, Indonesia. First published in 2016 for a printed and online version. We receive original research articles and any review papers. The aims of JIKO are to disseminate research results and to improve the productivity of scientific publications. JIKO is published in February and September with the scopes and focus of the research areas that are: Software Engineering, Information Systems, Computer Science Applications, Computer Networks and Communications, and Artificial Intelligence.
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 224 Documents
 19   20   21   22   23 
Klasifikasi Radio Siaran FM Berdasarkan Data IQ Menggunakan Convolutional Neural Networks Sukarno, Agus; Setyanto, Arief; Nasiri, Asro
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.1978

Abstract

Pengawasan spektrum siaran FM secara real-time memerlukan teknik canggih, pendekatan berbasis klasifikasi sinyal telah terbukti meningkatkan ketepatan deteksi dibandingkan metode manual. Penelitian ini mengembangkan dan membandingkan tiga arsitektur deep learning - CNN 5-Layers, CNN-BiLSTM, dan CNN-Transformer - untuk mengklasifikasikan pengguna siaran radio FM berdasarkan data IQ. Data sinyal dikumpulkan dari 16 pemancar FM menggunakan SDR dan diolah menjadi 80.000 sampel seimbang. Model-model ini dievaluasi berdasarkan akurasi klasifikasi dan waktu inferensi. Hasil eksperimen menunjukkan bahwa CNN-BiLSTM memberikan akurasi tertinggi sebesar 98,96% namun dengan waktu inferensi relatif lama sekitar 62 detik. Sementara itu, CNN 5-Layers memiliki waktu klasifikasi tercepat sekitar 10 detik dengan akurasi tinggi sebesar 98,18%, dan CNN-Transformer paling lambat sekitar 120 detik dengan akurasi sebesar 97,72%. Mengingat waktu klasifikasi per batch harus lebih pendek daripada laju pengambilan data sekitar 2 ms per sampel, hanya CNN 5-Layers yang memenuhi persyaratan pemantauan spektrum secara real-time.
PREDIKSI KUNJUNGAN WISATAWAN DOMESTIK ABNORMAL DENGAN ADAPTIVE LIGHTGBM DAN DETEKSI ANOMALI Milasari, Listiana Dewi; Redjeki, Sri
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.2163

Abstract

Sektor pariwisata Indonesia menghadapi fluktuasi signifikan dalam kunjungan wisatawan, yang dipengaruhi oleh berbagai faktor ekonomi, lingkungan, dan sosial. Penelitian ini mengembangkan model Adaptive LightGBM with Anomaly Detection and Multi-Task Learning (ALAD-MTL) untuk memprediksi kunjungan wisatawan domestik tahunan di tingkat provinsi dan mengidentifikasi pola kunjungan yang tidak normal. Model ini mengintegrasikan data statistik multi-domain (ekonomi, lingkungan, transportasi, fiskal) dan data media sosial (Twitter) yang kaya sentimen. Data mentah diolah dan dinormalisasi ke dalam format panjang, dengan data Twitter menjalani ekstraksi fitur sentimen menggunakan model RoBERTa berbahasa Indonesia dan agregasi. Semua data kemudian digabungkan ke dalam master_df dengan granularitas provinsi-tahunan. Model LightGBM dioptimalkan melalui penyetelan hyperparameter dan dievaluasi menggunakan metrik MAE, RMSE, R-squared, dan MAPE. Deteksi anomali diimplementasikan berdasarkan residual Z-Score dan Isolation Forest. Multi-Task Learning disimulasikan dengan melatih model LightGBM terpisah untuk tugas-tugas terkait (misalnya, Tingkat Hunian Hotel Bintang, Jumlah Tamu Hotel Asing) menggunakan set fitur yang sama. Hasil menunjukkan model mencapai R-squared tinggi (misalnya, >0.96 untuk tugas utama) dengan MAPE yang kompetitif, menunjukkan kemampuan prediksi pola yang kuat.
Peningkatan Performa Prediksi Survival Pasien Gagal Jantung Menggunakan Stacking Ensemble Learning Salwa, Faiza Rulla; Novita, Mega; Renaldy, Ramadhan
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.2126

Abstract

Prediksi kelangsungan hidup pasien gagal jantung merupakan aspek penting dalam mendukung pengambilan keputusan medis secara dini dan tepat. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi kelangsungan hidup pasien gagal jantung dengan menerapkan metode Stacking Ensemble Learning yang menggabungkan tiga base learners, yaitu Decision Tree, Naive Bayes, dan K-Nearest Neighbor, serta menggunakan Support Vector Machine sebagai meta-learner. Dataset yang digunakan adalah Heart Failure Clinical Records dari UCI Machine Learning Repository yang telah melalui proses pra-pemrosesan berupa standardisasi numerik dan pembagian data menggunakan stratified sampling dengan rasio 80:20. Eksperimen dilakukan menggunakan validasi silang (5-fold cross-validation) dan tuning hyperparameter pada meta-learner menggunakan GridSearchCV untuk menemukan kombinasi terbaik dari parameter C dan gamma. Hasil evaluasi menunjukkan bahwa model stacking mampu mencapai akurasi sebesar 98,7% dan F1-score 0,9791, mengungguli semua model tunggal. Keberhasilan ini menunjukkan bahwa strategi penggabungan beberapa model ringan mampu meningkatkan kinerja sistem prediktif secara signifikan, tanpa menambah kompleksitas yang berlebihan. Oleh karena itu, pendekatan ini sangat potensial untuk diterapkan pada sistem pendukung keputusan klinis berbasis data, khususnya dalam konteks prediksi penyakit kronis.
Kombinasi Teknik Pemrosesan Citra untuk Peningkatan Pendeteksian Objek Pada Carla Simulator Afriyanti, Liza
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.1958

Abstract

Dalam beberapa tahun terakhir, perkembangan kendaraan otonom (Autonomous Vehicle, AV) semakin pesat karena potensinya dalam merevolusi sistem transportasi dan meningkatkan keselamatan jalan raya. Keberhasilan AV sangat bergantung pada kemampuan deteksi objek yang akurat untuk menavigasi lingkungan kompleks, termasuk mengenali pejalan kaki, kendaraan lain, dan berbagai rintangan. Namun, kualitas citra yang dihasilkan oleh simulator seperti CARLA sering terdegradasi oleh kondisi pencahayaan, kabut, dan noise komputasi, sehingga kinerja model deteksi objek seperti YOLO (You Only Look Once) menjadi kurang optimal. Oleh karena itu, penelitian ini bertujuan mengembangkan sebuah model deteksi objek berbasis YOLO yang dioptimalkan dengan kombinasi teknik pemrosesan citra, meliputi Gaussian Blur, Contrast Limited Adaptive Histogram Equalization (CLAHE), dan Sharpening, untuk menghasilkan data input yang lebih bersih dan detail yang lebih tajam. Metode yang diusulkan mencakup generasi dataset simulasi menggunakan CARLA Simulator, penerapan teknik pra-pemrosesan citra secara berantai, serta pelatihan model YOLOv8 untuk mendeteksi objek secara real-time. Dengan memanfaatkan kekuatan Deep Learning dan validasi pada berbagai skenario lingkungan simulasi, diharapkan pendekatan ini mampu meningkatkan akurasi dan efisiensi deteksi objek dibandingkan metode konvensional yang hanya mengandalkan model YOLO tanpa preprocessing citra. Hasil penelitian ini diharapkan memberikan kontribusi signifikan terhadap pengembangan sistem deteksi pada kendaraan otonom, khususnya pada kondisi lingkungan yang menantang.
KLASIFIKASI CITRA SINTETIS HASIL MODEL DIFUSI MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) dan CONVOLUTIONAL NEURAL NETWORK (CNN) Hardiyanto, Andri; Akbar, Mutaqin
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.2033

Abstract

Kemajuan teknologi kecerdasan buatan khususnya dalam bidang pengolahan citra telah memungkinkan penciptaan gambar buatan yang sangat menyerupai gambar nyata, sehingga menimbulkan tantangan dalam verifikasi keaslian citra digital. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi citra untuk membedakan antara citra asli dan citra hasil kecerdasan buatan dengan pendekatan hybrid Gray Level Co-occurrence Matrix (GLCM) untuk mengekstraksi enam fitur tekstur dari citra grayscale dengan fitur spasial dari Convolutional Neural Network (CNN) yang kemudian digabungkan untuk membentuk vektor fitur gabungan. Dataset yang digunakan terdiri dari 3.410 citra berwarna yang terbagi secara seimbang ke dalam dua kelas real dan fake. Hasil pengujian CNN murni mencapai akurasi 97%, dengan presisi dan recall antara 0.95-0.99,serta f1-score 0.97. Sementara itu, pada model GLCM-CNN akurasinya mencapai 98% dengan nilai presisi dan recall 0.96-1.00 serta f1-score 0.98. Integrasi fitur tekstur dari GLCM terbukti mampu meningkatkan sensitivitas model terhadap pola mikro pada citra buatan yang tidak dapat ditangkap oleh CNN. Penelitian ini menunjukkan potensi pendekatan hybrid sebagai dasar pengembangan sistem pendeteksi citra sintetis yang adaptif dan akurat di masa mendatang.
PENGUKURAN KUALITAS RANCANG BANGUN GAME BASED LEARNING DALAM PENINGKATAN KOGNITIF SISWA DENGAN ISO25010 Hidayatullah, Hiroki Setiawan; Pohan, Achmad Baroqah; Sulthon, Besus Maula; AR, Syaifur Rahmatulah
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.2157

Abstract

Tingginya minat generasi muda Indonesia untuk bekerja di Jepang menuntut penguasaan bahasa Jepang, khususnya pada level dasar JLPT N5 dan N4. Sayangnya, metode konvensional dinilai kurang efektif dalam meningkatkan motivasi dan daya serap kosakata peserta didik. Penelitian ini bertujuan untuk merancang dan membangun sebuah game edukasi interaktif berbasis animasi sebagai media pembelajaran kosakata bahasa Jepang. Metode yang digunakan adalah Game Development Life Cycle (GDLC) yang terdiri dari enam tahapan, mulai dari inisiasi, pra-produksi, produksi, pengujian, beta hingga rilis. Dalam proses produksi, pengembangan game dilakukan menggunakan aplikasi Adobe Animate untuk mendesain animasi dan interaktivitas game serta pemrograman Actionscript. Untuk memastikan kualitas aplikasi, dilakukan pengujian berdasarkan standar ISO 25010 dan User Experience (UX) Testing. Proses desain awal memanfaatkan Canva untuk prototipe visualnya. Hasil pengujian ISO 25010 menunjukkan bahwa game edukasi memiliki skor rata-rata 4,196 yang termasuk dalam kategori “sangat baik”, dengan nilai tertinggi pada aspek portability dan maintainability. Sementara itu, pengujian UX juga menunjukkan bahwa game ini mampu meningkatkan respon kognitif pengguna dan memberikan pengalaman belajar yang menyenangkan dan efektif. Dengan demikian, game ini dinilai layak digunakan sebagai alternatif media pembelajaran interaktif bagi peserta didik yang sedang mempersiapkan diri menghadapi ujian JLPT dasar
Segmentasi Nasabah Kartu Kredit Berdasarkan Pola Transaksi untuk Penentuan Profil Nasabah Budiyanto, Irfan; Hermawan, Arief; Avianto, Donny
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.1669

Abstract

Segmentasi nasabah kartu kredit penting untuk optimasi strategi pemasaran dan personalisasi layanan. Penelitian ini mengusulkan sistem segmentasi nasabah berdasarkan pola transaksi, yaitu frekuensi dan nilai transaksi, menggunakan algoritma K-Means Clustering. Dataset dari Kaggle, yang telah melalui tahap preprocessing, digunakan untuk mengidentifikasi cluster optimal. Metode Elbow dan Silhouette digunakan untuk menentukan jumlah cluster, dan keduanya mengindikasikan jumlah cluster optimal sebanyak 3, dengan titik siku pada grafik inersia di k=3 dan skor Silhouette tertinggi juga di k=3.  Hasilnya, terdapat tiga cluster nasabah: nasabah aktif tarik tunai (ditandai dengan tingginya penggunaan cash advance), nasabah pasif (dengan frekuensi dan nilai transaksi rendah), dan nasabah aktif transaksi pembelian (dengan aktivitas pembelian tinggi dan penggunaan cash advance rendah). K-Means terbukti efektif dalam membagi nasabah menjadi tiga cluster berbeda ini.  Segmentasi ini memungkinkan strategi pemasaran yang lebih tertarget, seperti penawaran produk finansial yang relevan untuk setiap cluster, dan pada akhirnya dapat meningkatkan kepuasan nasabah serta profitabilitas.
PREDIKSI KEJAHATAN DENGAN MODEL GRAFIK, DETEKSI ANOMALI, DAN PEMBELAJARAN MULTI-MODAL Anggara, Muhammad Alyfansyah Rizky; Redjeki, Sri
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.2162

Abstract

Kejahatan tetap menjadi tantangan yang kompleks dan terus-menerus yang memengaruhi keamanan dan stabilitas masyarakat di Indonesia. Analisis kejahatan yang efektif, yang penting untuk memahami pola dan merumuskan kebijakan keamanan publik yang responsif, sering kali terhambat oleh sifat data kejahatan yang luas dan beragam. Makalah ini mengusulkan pendekatan baru yang memanfaatkan Pembelajaran Multi-Modal Berbasis Grafik yang terintegrasi dengan Deteksi Anomali untuk meningkatkan prediksi tingkat kejahatan dan menginformasikan pengembangan kebijakan keamanan publik di Indonesia. Kami mengintegrasikan kumpulan data heterogen termasuk data sosio-demografis, ekonomi, lingkungan, dan sentimen publik yang berasal dari Twitter. Alur kerja praproses yang komprehensif dikembangkan, yang mencakup pembersihan data, rekayasa fitur, dan normalisasi, diikuti oleh konstruksi grafik spasio-temporal di mana simpul mewakili kombinasi provinsi-tahun dan tepi menangkap kedekatan geografis dan suksesi temporal. Model Jaringan Konvolusional Grafik (GCN) digunakan untuk mempelajari hubungan yang kompleks dalam struktur grafik multi-modal ini. Sementara evaluasi awal menghasilkan Root Mean Squared Error (RMSE) Uji sekitar 306-314 pada skala asli, yang menunjukkan ruang untuk peningkatan presisi prediktif, utilitas inti model terletak pada kemampuannya untuk mengidentifikasi penyimpangan yang signifikan. 
DIABETES PREDICTION USING MACHINE LEARNING Pereira, Elisabet da Conceicao; Andriyani, Widyastuti
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.2104

Abstract

Diabetes mellitus merupakan salah satu penyakit metabolik kronis yang prevalensinya terus meningkat secara global. Penyakit ini ditandai oleh tingginya kadar glukosa darah yang dapat menyebabkan. Penelitian ini bertujuan untuk membangun model prediksi diabetes dengan menggunakan algoritma Random Forest berdasarkan data klinis lokal. Metodologi yang digunakan mencakup tahapan pra-pemrosesan data, pelatihan model, dan evaluasi performa menggunakan metrik akurasi, presisi, recall, dan F1-score. Dataset yang digunakan terdiri dari berbagai fitur klinis seperti usia, kadar glukosa, tekanan darah, indeks massa tubuh (BMI), serta riwayat diabetes keluarga. Setelah melalui proses pembersihan data dan normalisasi, model dilatih menggunakan 80% data dan diuji dengan 20% sisanya. Hasil pengujian menunjukkan bahwa algoritma Random Forest memberikan performa yang sangat baik, dengan akurasi mencapai 87%, presisi 84%, recall 82%, dan F1-score sebesar 83%. Hasil ini menunjukkan bahwa algoritma ini mampu memprediksi risiko diabetes dengan ketepatan yang tinggi. Model prediktif ini diharapkan dapat diimplementasikan sebagai sistem pendukung keputusan medis yang membantu tenaga kesehatan dalam melakukan skrining awal terhadap pasien.
Improving Memory Efficiency on Android: Leveraging Data Structures for Optimal Performance Mafmudin, Muchamad; Harnaningrum, Lucia Nugraheni
JURNAL INFORMATIKA DAN KOMPUTER Vol 9, No 3 (2025): Oktober 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v9i3.2131

Abstract

This study discusses strategies for increasing memory efficiency in Android application development using optimal data structures. In the era of growing mobile device usage, especially in Indonesia, where the number of users exceeds the total population, memory management has become a major challenge for Android developers. This study analyzes various data structures such as List, ArrayList, MutableList, and LinkedList, as well as comparisons between object and primitive data types in Kotlin. The results show that primitive data structures offer better memory efficiency and execution time than object-based data structures due to their simpler structure and lower complexity. Meanwhile, object data types like MutableList and ArrayList are more efficient for applications that require a balance between flexibility and performance, as they provide both primitive-like characteristics and useful built-in functions. This study also emphasizes the importance of understanding memory management and time complexity in optimizing Android application performance. Testing was conducted using both automated and manual methods. The findings show that Kotlin reduces memory usage by up to 2× and execution time by 28.6\% compared to Java. Among the evaluated structures, primitive arrays and LinkedLists showed the most stable memory performance, while MutableLists offered the best balance for object types.

Page 22 of 23 | Total Record : 224

 19   20   21   22   23 

Filter by Year

2016 2025


Reset
Filter By Issues
All Issue Vol 9, No 3 (2025): Oktober 2025 Vol 9, No 2 (2025): Juni 2025 Vol 9, No 1 (2025): Februari 2025 Vol 8, No 2 (2024): September 2024 Vol 8, No 1 (2024): Februari 2024 Vol 7, No 2 (2023): SEPTEMBER 2023 Vol 7, No 1 (2023): Februari 2023 Vol 6, No 2 (2022): ReBorn -- September 2022 Vol 6, No 1 (2022): ReBorn - February 2022 Vol 5, No 2 (2021): Februari 2021 Vol 5, No 1 (2020): FEBRUARI - AGUSTUS 2020 Vol 4, No 2 (2019): SEPTEMBER - JANUARI 2020 Vol 4, No 1 (2019) Vol 3, No 2 (2018): SEPTEMBER - JANUARI 2019 Vol 3, No 1 (2018): FEBRUARI - AGUSTUS 2018 Vol 2, No 2 (2017): SEPTEMBER - JANUARI 2018 Vol 2, No 1 (2017): FEBRUARI - AGUSTUS 2017 Vol 1, No 2 (2017): SEPTEMBER - JANUARI 2017 Vol 1, No 1 (2016): FEBRUARI - AGUSTUS 2016 More Issue