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 263 Documents
 21   22   23   24   25 
Pengembangan Chatbot Berbasis WhatsApp Menggunakan Dialogflow dan NLP untuk Layanan Informasi Toko Fotokopi Barid Albab; Ilyas Nuryasin
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; Feriani Astuti Tarigan
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 Ervina Putri Efendi; Mula Agung Barata; Aprillia Dwi Ardianti
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.
Eksplorasi Model LSTM dengan Autoregressive Integrated Moving Average (ARIMA) dan Bayesian Optimization untuk Peningkatan Akurasi Prediksi Ketahanan Pangan Idi Jang Cik; Asep Syaputra
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.v9i3.2077

Abstract

Tujuan : Penelitian ini bertujuan untuk mengeksplorasi Model LSTM dengan Autoregressive Integrated Moving Average (ARIMA) dan Bayesian Optimization untuk Peningkatan Akurasi Prediksi Ketahanan Pangan Kota Pagar Alam. SIstem ini diharapkan mampu memprediksi secara akurat ketahanan pangan untuk proyeksi 5 tahun kedepan melalui data timeseries: Sumsel mengalami penurunan Indeks Ketahanan Pangan (IKP) yang berada pada batas level bawah <50 ARIMA dan LSTM dalam meramalkan Ketahanan Pangan Sumatera Selatan  menggunakan  dua  skenario  data:  basic LSTM dan ARIMA dan LSTM, ARIMA yang di optimasi dengan Bayes Optimization).  Hasil menunjukkan  bahwa  LSTM  menghasilkan visualisasi data yang tidak konsisten dengan turun dan naik data yang inbalancing sedangkan arima mampu memprediksi data dengan lebih balance. Kedua visualisasi tersebut lebih di optimasi dengan Bayesian Optimization sehingga menghasilkan data yang balance dan beriringan satu sama lain MAPE nya juga dibawah 10% sehingga menunjulan tingkat error data sangat sedikit. Temuan ini  menegaskan  bahwa  pemilihan  model  peramalan harus  disesuaikan  dengan  karakteristik  data. Hasil penelitian ini dapat menjadi menjadi   panduan   dalam   memilih   metode   prediksi ketahanan pangan sumatera selatan yang paling efektif untuk mendukung upaya mitigasi  kekurangan pangan. 
Challenges and Recommendations for Agile Implementation in Indonesian Government Software Development Akhda Afif Rasyidi; Teguh Raharjo; Anita Nur Fitriani
JURNAL INFORMATIKA DAN KOMPUTER Vol 10, No 1 (2026): February 2026
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v10i1.2247

Abstract

From 2022, the Indonesian government has adopted agile as part of its organizational work culture to accelerate digital transformation in the public sector. The Center for Data and Information Technology Infrastructure (PDSI), a division under the Ministry of Communication and Digital (MCD), has standardized the use of Scrum, an agile methodology, for its internal software development processes since 2019. This study investigates rank the challenges associated with agile implementation within PDSI MCD and provides practical recommendations to address them. The findings reveal that the most critical challenge is lack of team communication. This is followed by a lack of stakeholder or team commitment, then lack of agile skills, knowledge, and practices. To overcome these challenges, the study recommends the integration of Kanban to enable project teams and stakeholders to make timely decisions while minimizing unnecessary bureaucracy. In addition, fostering collaboration through coaching, training, and team-building initiatives is essential to strengthen agile teamwork.
YOLOv12n-RL-MSCAM: Enhancing Lightweight Trash Detection with Reinforced Local Multi-Scale Channel Attention Module Robby Moody Lintong; Florensce Sumarauw; Febriyanti Ludja; Sary Diane Ekawati Paturusi; Muhamad Dwisnanto Putro
JURNAL INFORMATIKA DAN KOMPUTER Vol 10, No 2 (2026): Juni 2026
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v10i2.2700

Abstract

The growing demand for efficient environmental monitoring has led to the development of computer vision based trash detection models for real world urban deployment. These systems must recognize diverse waste types under challenging conditions, such as variations in appearance, scale, and complex backgrounds, which can significantly reduce detection accuracy. Moreover practical applications require lightweight models capable of maintaining real-time performance on CPU devices. This study enhances the YOLOv12n architecture for trash detection by integrating a Reinforced Local Multi-Scale Channel Attention Module (RL-MSCAM). The proposed module improves feature representation by highlighting informative channels and reducing irrelevant background noise, leading to better extraction of discriminative spatial features of waste objects. The lightweight design ensures these improvements are achieved without significant computational overhead, making the model suitable for real-time applications. Experimental results show that the proposed model achieves strong detection performance, with 60.6 % mAP@50 and 50.9% mAP@50:95. Despite its lightweight design, the model maintains practical efficiency, reaching an inference speed of 16.12 frames per second (FPS). These findings indicate that integrating RL-MSCAM into the YOLOv12n framework improves trash detection performance while preserving computational efficiency, making it suitable for real-time deployment on CPU devices.
PERBANDINGAN DENSENET201, EFFICIENTNETB0, DAN MOBILENETV2 UNTUK KLASIFIKASI TUBERKULOSIS DAN PNEUMONIA PADA PARU Muhammad Alif Nadin Putra; Neny Rosmawarni; Kraugusteeliana Kraugusteeliana; Faiz Firstian Nugroho; Nisaul Husna
JURNAL INFORMATIKA DAN KOMPUTER Vol 10, No 2 (2026): Juni 2026
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v10i2.2686

Abstract

Penelitian ini bertujuan membandingkan performa DenseNet201, EfficientNetB0, dan MobileNetV2 untuk klasifikasi citra X-ray dada pada tiga kelas, yaitu TBC, pneumonia, dan normal, sebagai respons terhadap keterbatasan tenaga radiolog dan tingginya kebutuhan diagnosis cepat. Dataset berjumlah 5.312 citra (2.494 TBC, 2.100 pneumonia, 718 normal) dibagi menjadi 70% data latih, 15% validasi, dan 15% data uji. Tahap praproses mencakup resize citra menjadi 224×224 piksel, normalisasi sesuai model, serta augmentasi data berupa horizontal/vertical flip, rotasi, zoom 15%, dan shear 15%. Ketiga arsitektur dilatih menggunakan transfer learning berbobot awal ImageNet, kemudian fine-tuning pada 15 lapisan terakhir dengan optimizer Adam. Evaluasi dilakukan menggunakan confusion matrix, akurasi, precision, recall, F1-score, dan AUC. Hasil menunjukkan DenseNet201 memberikan kinerja terbaik dengan akurasi 96,86% (precision 97%, recall 96%, F1-score 96%), diikuti EfficientNetB0 dengan akurasi 95,61%, sedangkan MobileNetV2 mencapai 89,21%. Temuan ini menunjukkan DenseNet201 paling efektif untuk klasifikasi TBC dan pneumonia pada citra X-ray dada, dengan tantangan utama berupa ketidakseimbangan data pada kelas normal yang masih memengaruhi konsistensi prediksi model.
PERBANDINGAN SUPPORT VECTOR MACHINE DAN NAIVE BAYES DALAM MENGKLASIFIKASIKAN EMOSI TEKS BAHASA PALEMBANG Immanuel Bunawan; hafiz Irsyad
JURNAL INFORMATIKA DAN KOMPUTER Vol 10, No 1 (2026): February 2026
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v10i1.2368

Abstract

Bahasa Palembang merupakan bahasa pengantar utama di Sumatera Selatan, namun termasuk dalam kategori low-resource language yang minim sumber daya digital. Kondisi ini menyebabkan model pemrosesan teks standar sering menghadapi tantangan generalisasi akibat karakteristik morfologi yang unik. Penelitian ini bertujuan mengklasifikasikan emosi publik pada media sosial terkait wilayah Palembang ke dalam tujuh kategori multikelas (senang, sedih, marah, takut, jijik, terkejut, dan netral) menggunakan pendekatan Machine Learning. Dataset terdiri dari 9.125 komentar yang dikumpulkan melalui web scraping. Proses pelabelan data menggunakan metode rule-based leksikon untuk mempercepat anotasi, meskipun memiliki keterbatasan dalam menangkap nuansa konteks bahasa yang kompleks. Selanjutnya, data diekstraksi menggunakan fitur TF-IDF untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan Naive Bayes. Hasil evaluasi menunjukkan bahwa SVM mengungguli Naive Bayes secara signifikan dengan akurasi 75% dan F1-score 73%. Sebaliknya, Naive Bayes hanya mencapai akurasi 65% dengan F1-score 58% dan menunjukkan kinerja rendah pada deteksi kelas minoritas akibat imbalanced dataset. Disimpulkan bahwa SVM lebih efektif dan robust dalam menangani data teks berdimensi tinggi, sehingga potensial digunakan sebagai alat pemantauan aspirasi publik yang akurat bagi pemerintah daerah.
PREDIKSI KEPARAHAN CEDERA KECELAKAAN LALU LINTAS DENGAN PENDEKATAN HIBRIDA BERBASIS RANDOM FOREST Febri Nova Lenti; Febrian Pramudya Nugraha; Erna Hudianti Pujiarini
JURNAL INFORMATIKA DAN KOMPUTER Vol 10, No 2 (2026): Juni 2026
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v10i2.2714

Abstract

Prediksi keparahan cedera pada kecelakaan lalu lintas diperlukan untuk mendukung analisis risiko dan penyusunan strategi keselamatan jalan. Penelitian ini menggunakan data kecelakaan dari Kaggle yang mencakup 172.105 catatan pada periode 2016–2023 dengan 43 fitur. Pemodelan dilakukan melalui beberapa tahapan, yaitu pra-pemrosesan data, seleksi fitur menggunakan korelasi Spearman, penanganan ke pengukuran kelas dengan Synthetic Minority Over-sampling Technique (SMOTE ), serta pelatihan model Random Forest menggunakan GridSearchCV 5-fold . Hasil pengujian menunjukkan bahwa konfigurasi terbaik diperoleh pada 500 pohon, dengan akurasi 91,55%, presisi 0,918, recall 0,916, dan F1-score 0,916. Dari sisi interpretasi, ACRS Report Type dan Vehicle Damage Extent muncul sebagai dua fitur yang paling dominan dalam memprediksi tingkat keparahan cedera. Temuan ini menunjukkan bahwa pendekatan yang digunakan pada penelitian ini mampu memberikan hasil prediksi yang baik sekaligus membantu menjelaskan faktor-faktor yang berkaitan dengan tingkat keparahan cedera kecelakaan lalu lintas.
SISTEM PENDUKUNG KEPUTUSAN PRIORITAS INTERVENSI LANSIA MENGGUNAKAN AHP, TREN WAKTU, DAN TOPSIS Galih Setya Putra; Dini Fakta Sari
JURNAL INFORMATIKA DAN KOMPUTER Vol 10, No 1 (2026): February 2026
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v10i1.2334

Abstract

Posyandu lansia memiliki peran penting dalam memantau kondisi kesehatan masyarakat lanjut usia, namun proses penentuan prioritas intervensi masih banyak dilakukan secara manual dan bergantung pada penilaian subjektif kader. Penelitian ini mengembangkan sistem pendukung keputusan untuk menentukan prioritas intervensi kesehatan lansia melalui integrasi metode Analytical Hierarchy Process (AHP), analisis tren waktu menggunakan regresi linier sederhana, dan Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). Sistem diimplementasikan dalam aplikasi berbasis web yang mampu mengolah data riwayat pemeriksaan bulanan dan menampilkan hasil prioritas secara otomatis. Hasil pengujian menunjukkan bahwa sistem menghasilkan pemeringkatan yang konsisten, mudah dipahami, dan selaras dengan penilaian kader di lapangan. Penggunaan nilai tren sebagai tambahan informasi juga memberikan gambaran yang lebih komprehensif terhadap perubahan kondisi lansia dari waktu ke waktu. Penelitian ini menunjukkan bahwa pendekatan berbasis data dapat meningkatkan objektivitas dan efisiensi proses penentuan prioritas intervensi kesehatan lansia di tingkat posyandu.

Page 23 of 27 | Total Record : 263

 21   22   23   24   25 

Filter by Year

2016 2026


Reset
Filter By Issues
All Issue Vol 10, No 2 (2026): Juni 2026 Vol 10, No 1 (2026): February 2026 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