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
 23   24   25   26   27 
Penerapan Algoritma XGBoost dan TabNet dengan Optimasi Hyperparameter Random Search pada Prediksi Jumlah Pinjaman Nasabah Nola Irda Ayuazna Azzura; Ramdhan Fazrianto Suwarman
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.v10i2.2691

Abstract

Penentuan jumlah pinjaman nasabah merupakan permasalahan yang kompleks dan bersifat nonlinear karena dipengaruhi oleh berbagai karakteristik nasabah serta risiko kredit macet. Oleh karena itu, machine learning mampu memberikan keunggulan dalam memodelkan hubungan yang kompleks dan menghasilkan prediksi yang lebih akurat serta adaptif berbasis data. Penelitian ini bertujuan untuk membangun model prediksi jumlah pinjaman nasabah menggunakan algoritma Extreme Gradient Boosting (XGBoost) dan TabNet dengan optimasi hyperparameter dengan metode Random Search. Data yang digunakan merupakan data sekunder dengan 4.269 observasi dan 13 variabel. Model dibangun dengan menggunakan pendekatan baseline dan optimasi hyperparameter Random Search, kemudian dievaluasi menggunakan metrik koefisien determinasi (), Root Mean Squared Error (RMSE), dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa optimasi hyperparameter dengan Random Search mampu meningkatkan kinerja model secara signifikan dibandingkan baseline. Model TabNet dengan optimasi hyperparameter memberikan performa terbaik dengan nilai  mendekati 0,89.
Analisis Sentimen Ulasan PeduliLindungi Menggunakan Algoritma Support Vector Machine Andreas Baskoro Wibowo; Moeljono Widjaja; Seng Hansun
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.v10i1.2327

Abstract

Perkembangan teknologi yang cukup pesat menyebabkan 89% dari penduduk Indonesia menggunakan telepon pintar berbasis Android dan iOS. Google Playstore menyediakan sarana bagi penggunanya untuk melakukan ulasan sebuah aplikasi dengan rating ataupun dengan kalimat yang menggambarkan perasaan pengguna dalam penggunaan aplikasi tersebut. Bagi masyarakat Indonesia selama masa pandemi, jika ingin bepergian diwajibkan untuk mengunduh aplikasi PeduliLindungi sebagai bukti telah melakukan vaksinasi COVID. Proses pembuktian vaksinasi ini adalah dengan masuk ke aplikasi dan memindai QR code yang terdapat di pintu masuk beberapa pusat keramaian. Aplikasi PeduliLindungi mencakup informasi vaksin dan status dari kesehatan terkait virus COVID-19 resmi dari pemerintah yang membuatnya dipakai oleh banyak orang. Sentimen yang berada pada bagian ulasan aplikasi dapat membantu pengembang dalam menilai kepuasan pelanggan. Model yang digunakan dalam analisis sentimen di penelitian ini adalah algoritma Support Vector Machine dengan metode preprocessing menggunakan TF-IDF. Dalam penelitian ini diperoleh skor akurasi 0,83, skor precision 0,79, skor recall 0,81, dan skor F1 0,79 sehingga model dapat digunakan untuk menganalisis sentimen pada aplikasi PeduliLindungi dengan baik.
PENERAPAN METODE SUPPORT VECTOR MACHINE (SVM) UNTUK KLASIFIKASI PENYAKIT TANAMAN VANILA PLANIFOLIA Lilis Nur Hayati; Irawati Irawati; SITTI RAHBIAH; Mush’ab Al Mubarak; Rayhana Bahar
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.v10i1.2169

Abstract

Penyakit pada tanaman Vanilla planifolia menimbulkan kerugian ekonomi yang signifikan akibat rendahnyaakurasi diagnosis dini di tingkat lapangan. Pendekatan konvensional berbasis pengamatan visual hanya mencapai akurasi sekitar 55–65% dan sangat bergantung pada pengalaman subjektif petani. Penelitian ini bertujuanmengembangkan sistem klasifikasi penyakit vanili berbasis Support Vector Machine (SVM) untuk meningkatkan akurasi dan konsistensi diagnosis pada kondisi lapangan. Dataset penelitian terdiri atas 1.616 sampel berlabelyang dikumpulkan melalui observasi lapangan di Desa Gattareng, Kabupaten Bulukumba, mencakup lima kelas kondisi tanaman, yaitu sehat (412), bercak daun (338), layu (301), busuk batang (279), dan akar busuk (286).Metodologi penelitian meliputi prapemrosesan data dengan deteksi outlier berbasis IQR, normalisasi Min–Max,penyeimbangan kelas, serta optimasi hiperparameter menggunakan grid search dengan 5-fold stratified crossvalidation. Hasil evaluasi menunjukkan bahwa model SVM dengan kernel polinomial derajat tiga mencapaikinerja klasifikasi yang stabil dengan akurasi 92,1% dan performa recall yang konsisten pada seluruh kelaspenyakit. Berbeda dengan penelitian sebelumnya yang umumnya mengandalkan CNN pada dataset besar, penelitian ini mengusulkan pipeline SVM yang ringan dan replikatif, efektif pada dataset berukuran menengahdengan karakteristik data lapangan yang heterogen. Temuan ini menunjukkan potensi SVM sebagai pendekatan diagnosis penyakit vanili yang lebih realistis untuk konteks kebun, dengan peluang pengembangan lebihlanjut melalui perluasan dataset multi-lokasi dan peningkatan interpretabilitas model.

Page 27 of 27 | Total Record : 263

 23   24   25   26   27 

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