cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota adm. jakarta barat,
Dki jakarta
INDONESIA
InComTech: Jurnal Telekomunikasi dan Komputer
Published by Universitas Mercu Buana
ISSN : 20854822     EISSN : 25796089     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Electrical & Electronics Engineering Engineering
Program Studi Magister Teknik Elektro UMB menerbitkan Jurnal InComTech sebagai wadah bagi para akademisi, praktisi dan penggiat lainnya dalam bidang telekomunikasi dan computer (Information and Communication Technology/ICT) untuk menerbitkan karya tulisnya. Bidang-bidang yang menjadi bahasan jurnal ini meliputi teknologi, bisnis dan regulasi di bidang ICT, seperti (namun tak terbatas), teknologi IP, Wireless technology, Internet of Things, Microwaves, digital broadcasting, Fiber optik, strategi bisnis ICT, sumber daya manusia ICT, perencanaan bisnis, regulasi NGN, security in ICT, cyberlaw.
Arjuna Subject : -
Articles 7 Documents
 1 
Search results for , issue "vol. 16 no. 2 (2026)" : 7 Documents clear
Sistem Klasifikasi Buah Family Arecaceae Di Kota Tarakan Berbasis Citra Menggunakan Deep Learning Putri Ananda Rhamadani; Arif Fadllullah
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 2 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kota Tarakan di Kalimantan Utara memiliki keanekaragaman hayati yang signifikan, terutama jenis family arecaceae yang berperan penting dalam ekosistem dan perekonomian lokal. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi berbasis citra menggunakan metode deep learning, khususnya CNN, untuk mengidentifikasi jenis buah dari family arecaceae. Dataset yang digunakan mencakup 420 citra awal palem raja dan pinang, yang setelah melalui tahap preprocessing menjadi 1.338 citra. Dataset dibagi menjadi 75% data latih, 10% data validasi, dan 15% data uji sekunder. Model CNN menunjukkan akurasi pelatihan sebesar 100%, dengan evaluasi pada data validasi menghasilkan rata-rata presisi, recall, dan f1-score masing-masing sebesar 100%. Evaluasi pada data uji sekunder menunjukkan rata-rata presisi sebesar 95%, recall dan f1-score  masing - masing sebesar 94%, sedangkan data uji primer menghasilkan rata-rata presisi sebesar 88%, recall 88%, dan f1-score 87%. Hasil ini mengindikasikan bahwa sistem klasifikasi yang dikembangkan cukup efektif dalam mengenali dan menganalisis citra buah, meskipun terdapat kekurangan pada pengujian data primer. Kesalahan tersebut diakibatkan oleh terbatasnya jumlah citra, kurangnya variasi data latih, dan kurangnya tahapan preprocessing pada citra uji.
Sistem Prediksi dan Deteksi Anomali Berbasis Iot-Time Series Dengan Pendekatan Explainable AI Bonitalia Bonitalia; Eric Alfonsius
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 2 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Budidaya anggur memerlukan pemantauan intensif terhadap kondisi lingkungan seperti kelembaban tanah, pH, dan kadar nutrisi untuk memastikan pertumbuhan optimal dan kualitas panen yang tinggi. Penelitian ini mengusulkan pengembangan sistem prediksi dan deteksi anomali berbasis Internet of Things (IoT) dan analisis deret waktu (time series) yang dilengkapi dengan pendekatan Explainable Artificial Intelligence (XAI). Sistem ini mengintegrasikan sensor IoT untuk pengumpulan data real-time dari lahan budidaya anggur, kemudian menerapkan model prediksi berbasis machine learning untuk memantau pola perubahan parameter lingkungan. Deteksi anomali dilakukan menggunakan metode unsupervised learning yang mampu mengidentifikasi penyimpangan dari kondisi normal, sehingga memberikan peringatan dini kepada petani. Komponen XAI digunakan untuk menjelaskan alasan di balik setiap deteksi anomali, sehingga meningkatkan transparansi dan kepercayaan pengguna terhadap hasil sistem. Hasil pengujian menunjukkan bahwa sistem mampu mencapai tingkat akurasi prediksi sebesar 92% dan sensitivitas deteksi anomali sebesar 89%, sehingga efektif membantu dalam pengambilan keputusan terkait irigasi, pemupukan, dan tindakan korektif lainnya. Temuan ini diharapkan dapat mendukung praktik pertanian presisi dan meningkatkan produktivitas serta efisiensi dalam budidaya anggur.
Topic Modeling of Indonesian News Articles on The Free Nutritious Meal Program: A Comparative Study of LDA, LSA, and NMF Irmma Dwijayanti; Muhammad Habibi
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 2 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The rapid expansion of digital journalism in Indonesia has produced a large volume of long-form news articles covering complex socio-political and economic issues. One of the most widely discussed initiatives is the Free Nutritious Meal Program (Makan Bergizi Gratis, MBG), which has been reported from perspectives of nutrition, education, public policy, and economic sustainability. Due to the scale of coverage, manual analysis is impractical, requiring automated methods to extract latent themes. This study applies and compares three classical topic modeling techniques: Latent Dirichlet Allocation (LDA), Latent Semantic Analysis (LSA), and Non-Negative Matrix Factorization (NMF). The corpus was preprocessed using tokenization, stop-word removal, stemming, and normalization, followed by experiments with different numbers of topics. Model performance was evaluated with topic coherence and qualitative interpretability. The findings show that LDA provides the highest coherence and generates semantically rich topics. NMF yields sharper topic boundaries but sometimes lacks interpretability, while LSA demonstrates computational efficiency with lower semantic depth. Thematic analysis identified five dominant themes: policy implementation, nutritional adequacy, funding challenges, public responses, and governance risks. Temporal analysis revealed that MBG discourse has been present since 2020, but increased sharply in 2024 during Prabowo Subianto’s presidential campaign and grew further in 2025 with nationwide implementation. These results confirm that MBG is not only a nutrition and welfare policy but also a politically salient initiative intersecting with electoral strategies, public health, and socio-economic development.
Hybrid Deep Learning–Machine Learning for Bird’s Eye Chili Quality Classification Tri Raharjo Yudantoro; Zulfa Nurma Novita Sari; Tulus Pramuji; Eko Supriyanto; Wahyu Sulistyo; Agus Suwondo; Sindi; Ilham Rizky Harijanto
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 2 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The manual inspection of dried bird’s eye chili (Capsicum frutescens L.) is prevalent yet susceptible to subjectivity, inter-rater variability, and low efficiency. This research introduces a hybrid deep learning and machine learning pipeline for the classification of images into three categories: fresh, medium, and dried. The method encompasses staged image acquisition throughout the drying process, preprocessing (including HEIC to PNG conversion, background elimination, scaling, and normalizing), and real-time augmentation to enhance robustness. Feature embeddings are obtained from MobileNetV2 by transfer learning utilizing a Global Average Pooling head and are evaluated against EfficientNetB0, NASNetMobile, ResNet50, and DenseNet121. The embeddings are categorized using various algorithms: Random Forest (RF), Support Vector Machine, and a shallow Artificial Neural Network, with RF selected for its consistent performance. Evaluation employs an 80/20 split, focusing on accuracy, precision, recall, F1-score, and confusion matrix analysis. Results indicate that MobileNetV2 produces the most distinctive features, whereas RF provides the most reliable downstream predictions: the system achieves 94% validation accuracy during feature extraction and 91% at the final classification stage, alongside high precision-recall and minimal misclassification. The chosen MobileNetV2+RF model is implemented in an Android application for real-time inference from smartphone photos, providing class labels and a moisture-level signal based on mass-loss measurements to aid postharvest decisions. The contributions consist of an objective and efficient quality-assessment pipeline, an empirical model comparison, and a deployable mobile implementation. Future endeavors will focus on extensive datasets, multimodal signals, and cross-variety generalization. 
The Use of Artificial Neural Networks for the Prediction of Cattle Models anjar setiawan; andi romansyah
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 2 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

This research focuses on using an ANN algorithm to predict cow weight, which can lead to improved results with a decreased RMSE. The cattle farming business could enhance the efficiency of beef production. The timely slaughter of cattle and the dissemination of technological knowledge about livestock activities are crucial for developing more accurate weight predictions.  Therefore, we must enhance cattle weight forecasts to make them more precise and reliable. This is achieved by employing the ANN technique, which is capable of simulating non-linear and interactive relationships between variables.  The ANN method worked best in the experiment that tried to guess the weight of cows. It had an MSE of 0.019 kg, an RMSE of 0.14 kg, and an R-squared value of 0.99.  This innovation has the potential to make cow farming more environmentally friendly and efficient, which would lead to less wasteful meat production.
Desain dan Evaluasi Performa Sistem Komunikasi UDP Untuk Interkoneksi PLC pada Aplikasi Framework Open Source Siti Trilestari; Rivira Yuana; Masbah RT Siregar; Muhammad Nur Al-Majid
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 2 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan Industri 4.0 mendorong meningkatnya kebutuhan sistem otomasi industri yang mampu melakukan pertukaran data secara cepat, andal, dan interoperabel antarperangkat. Namun, komunikasi antar PLC dari berbagai vendor masih didominasi oleh protokol proprietary maupun protokol berbasis koneksi yang menimbulkan overhead komunikasi dan peningkatan delay, sehingga kurang optimal untuk aplikasi real-time. Maka, diperlukan sistem komunikasi yang ringan, fleksibel, dan mampu mendukung interkoneksi PLC pada lingkungan multi-vendor. Tujuan riset melakukan perancangan dan evaluasi framework komunikasi berbasis UDP menggunakan Node.js yang mendukung komunikasi PLC secara real-time pada sistem otomasi industri. Novelty riset ini terletak dipengembangan framework komunikasi berbasis UDP menggunakan Node.js serta evaluasi kinerja komprehensif melalui perbandingan TCP dan OPC UA berdasarkan parameter QoS, yaitu delay, throughput, dan packet loss. Metode riset adalah eksperimen yang membandingkan kinerja ketiga protokol pada skenario interkoneksi PLC multi-vendor. Hasil riset menunjukkan bahwa framework berbasis UDP menghasilkan rerata delay terendah yakni 19,8ms, dibandingkan TCP yakni 79,5ms dan OPC UA yakni 33,4ms. Meskipun OPC UA menghasilkan throughput tinggi, namun disertai latency. Packet loss UDP yakni 0,066% masih dibawah ambang batas 1% berdasarkan standar TIPHON, sehingga berkategori sangat baik untuk sebuah aplikasi otomasi industri real-time. Hasil riset menunjukkan framework berbasis UDP mampu memberikan keseimbangan efektif antara latensi rendah, efisiensi komunikasi, interoperabilitas, dan keandalan, sehingga layak diterapkan sebagai solusi interkoneksi PLC pada sistem otomasi industri real-time.
Optimasi Deteksi DDoS Berbasis Hybrid CNN-LSTM dengan Recursive Feature Elimination pada Software-Defined Networking Wayan Praka; Andri Yudha Pratama; Erik IH Ujianto; Rianto Rianto
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 2 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Keamanan pada arsitektur Software-Defined Networking (SDN) menghadapi ancaman kritis dari evolusi serangan Distributed Denial of Service (DDoS) yang mengeksploitasi celah Single Point of Failure pada controller. Penelitian ini bertujuan mengoptimalkan model deep learning melalui pengembangan arsitektur Ultra-Fast Hybrid CNN-LSTM yang terintegrasi dengan teknik seleksi fitur Recursive Feature Elimination (RFE). Menggunakan dataset modern CIC-DDoS2019 yang memiliki dimensi tinggi, penelitian ini berhasil mereduksi 77 fitur asli menjadi 25 fitur paling berpengaruh guna mengatasi masalah curse of dimensionality dan meminimalkan beban komputasi. Hasil eksperimen menunjukkan bahwa model optimasi mencapai tingkat akurasi sebesar 91,80% dengan keunggulan signifikan pada aspek efisiensi teknis. Dibandingkan dengan model baseline, arsitektur ini memberikan peningkatan waktu pelatihan sebesar 18,91% lebih cepat 64,42 detik dan responsivitas deteksi 12,63% lebih tinggi dengan latensi hanya 0,00003826 detik per paket. Temuan ini menegaskan bahwa sinergi antara reduksi fitur RFE dan arsitektur hibrida yang ramping sangat efektif dalam menjamin ketersediaan layanan pada infrastruktur SDN secara real-time dengan penggunaan sumber daya yang minimal.

Page 1 of 1 | Total Record : 7

 1 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol. 16 No. 2 (2026) Vol. 16 No. 1 (2026) Vol. 15 No. 3 (2025) Vol 15, No 3 (2025) Vol 15, No 2 (2025) Vol 15, No 1 (2025) Vol 14, No 3 (2024) Vol 14, No 2 (2024) Vol 14, No 1 (2024) Vol 13, No 3 (2023) Vol 13, No 2 (2023) Vol 13, No 1 (2023) Vol 12, No 3 (2022) Vol 12, No 2 (2022) Vol 12, No 1 (2022) Vol 11, No 3 (2021) Vol 11, No 2 (2021) Vol 11, No 1 (2021) Vol 10, No 3 (2020) Vol 10, No 2 (2020) Vol 10, No 1 (2020) Vol 9, No 3 (2019) Vol 9, No 2 (2019) Vol 9, No 1 (2019) Vol 8, No 3 (2018) Vol 8, No 2 (2018) Vol 8, No 1 (2018) Vol 7, No 3 (2016) Vol 7, No 2 (2016) Vol 7, No 1 (2016) Vol 6, No 3 (2015) Vol 6, No 2 (2015) Vol 6, No 1 (2015) Vol 5, No 3 (2014) Vol 5, No 2 (2014) Vol 5, No 1 (2014) Vol 4, No 2 (2013) Vol 4, No 1 (2013) Vol 3, No 2 (2012) Vol 3, No 1 (2012) Vol 2, No 2 (2011) Vol 2, No 1 (2011) Vol 1, No 2 (2010) Vol 1, No 1 (2009) More Issue