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 223 Documents
 19   20   21   22   23 
Pengembangan Chatbot Berbasis WhatsApp Menggunakan Dialogflow dan NLP untuk Layanan Informasi Toko Fotokopi Albab, Barid; Nuryasin, Ilyas
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.v9i3.2046

Abstract

Penggunaan layanan informasi berbasis aplikasi WhatsApp menjadi salah satu pilihan penyedia layanan informasi. Namun, layanan informasi secara manual dalam memberikan layanan informasi masih menjadi tantangan utama, khususnya pada salah satu toko usaha Fotokopi Sahabat. Penelitian ini bertujuan untuk mengembangkan chatbot berbasis WhatsApp menggunakan Dialogflow yang mengunakan pendekatan Natural Language Processing (NLP) dan diintegrasikan dengan framework Landbot. Chatbot ini dirancang untuk memberikan layanan tanya jawab secara otomatis selama 24 jam tanpa keterlibatan admin. Metodologi penelitian meliputi pengumpulan dataset, pembuatan intent, pelatihan chatbot, integrasi dengan WhatsApp, dan pengujian menggunakan F1 Score. Hasil pengujian menunjukkan chatbot mampu memberikan respon dengan tingkat presisi dan recall sempurna pada sebagian besar kategori pertanyaan. Namun, terdapat kendala pada intent "Jasa" dan "Default Fallback" yang menunjukkan nilai recall masing-masing sebesar 0,8 dan 0,7 akibat ketidakmampuan mengenali beberapa frasa. Secara keseluruhan, chatbot ini terbukti mampu mengatasi kendala manajemen waktu dengan menyediakan layanan informasi secara otomatis.
Implementasi Chatbot Otomatis Akademik Berbasis Web Menggunakan LLM dan Rule-Based System Studi Kasus: STMIK Time Alvin, Alvin; Robet, Robet; Tarigan, Feriani Astuti
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.v9i3.2209

Abstract

Perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) telah mendorong peningkatan efisiensi layanan informasi melalui penerapan chatbot yang mampu berinteraksi secara alami dengan pengguna. Chatbot merupakan implementasi teknologi berbasis pemrosesan bahasa alami (Natural Language Processing/NLP) yang dirancang untuk memahami dan merespons percakapan manusia. Penelitian ini bertujuan mengembangkan chatbot otomatis layanan akademik STMIK Time berbasis web dengan mengintegrasikan dua pendekatan utama, yaitu Rule-Based System dan Large Language Model (LLM). Metode penelitian meliputi tahap perancangan sistem menggunakan Flowise AI sebagai platform automation workflow, serta pengujian performa sistem melalui dua tahap, yaitu pengujian black box untuk menilai fungsionalitas dan pengujian user experience untuk mengukur persepsi pengguna terhadap kecepatan, akurasi, dan kepuasan. Hasil pengujian menunjukkan bahwa chatbot berfungsi dengan baik dengan capaian kecepatan respons sebesar 51,5%, tingkat akurasi 54,5%, dan tingkat kepuasan pengguna 60,6%. Hasil ini menegaskan bahwa sistem mampu memberikan layanan informasi akademik secara efektif, meskipun aspek kecepatan dan responsivitas masih perlu ditingkatkan. Kesimpulannya, Rule-Based System lebih sesuai untuk percakapan terstruktur, sedangkan Large Language Model (LLM) lebih efektif untuk konteks dinamis. Penelitian ini diharapkan menjadi dasar pengembangan layanan akademik berbasis AI yang lebih adaptif dan responsif di perguruan tinggi.
KOMPARASI METODE SVM DAN C4.5 DENGAN BACKWARD ELIMINATION UNTUK KLASIFIKASI STRES Efendi, Ervina Putri; Barata, Mula Agung; Ardianti, Aprillia Dwi
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.v9i3.2130

Abstract

Kesehatan mental mahasiswa menjadi perhatian penting dalam dunia pendidikan, terutama terkait tingkat stres yang dialami selama proses akademik yang dapat berdampak pada prestasi dan kesejahteraan mereka. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan C4.5 dalam mengklasifikasikan tingkat stres mahasiswa guna menentukan metode yang lebih optimal. Penelitian ini menggunakan dataset dari Kaggle yang berisi 1.100 data mahasiswa dengan 20 atribut penyebab stres. Data tersebut diproses melalui tahapan normalisasi menggunakan MinMax Scaling dan seleksi fitur dengan metode Backward Elimination untuk mengoptimalkan model. Klasifikasi tingkat stres dibagi ke dalam tiga kategori: ringan, sedang, dan berat. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil analisis menunjukkan bahwa algoritma SVM memberikan akurasi tertinggi sebesar 91% dengan nilai presisi, recall, dan F1-score yang konsisten, sementara algoritma C4.5 menghasilkan akurasi 90% dengan hasil evaluasi yang serupa. Temuan ini menegaskan bahwa SVM lebih unggul dalam mengklasifikasikan tingkat stres mahasiswa dibandingkan C4.5. Kesimpulan dari penelitian ini adalah bahwa penerapan machine learning, khususnya SVM, dapat menjadi pendekatan efektif untuk deteksi dini tingkat stres mahasiswa dan berpotensi digunakan sebagai dasar pengembangan sistem pendukung keputusan dalam upaya pencegahan masalah kesehatan mental di lingkungan pendidikan.

Page 23 of 23 | Total Record : 223

 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