InComTech: Jurnal Telekomunikasi dan Komputer
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.
Articles
265 Documents
<![CDATA[Implementasi Algoritma CART dan Naïve Bayes Untuk Mendeteksi Penyakit Stroke ]]>
<![CDATA[Anita Desiani]]>;
<![CDATA[Puspa Sari]]>;
<![CDATA[Indri Ramayanti]]>;
<![CDATA[Muhammad Arhami]]>
<![CDATA[ InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026) ]]>
Publisher : <![CDATA[Department of Electrical Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22441/incomtech.v16i1.20209
<![CDATA[Penyakit stroke merupakan penyakit pembuluh darah yang disebabkan oleh kurangnya sirkulasi oksigen dan darah ke otak sehingga menyebabkan kerusakan pada jaringan otak. Stroke dapat menyebarkan perubahan pada fungsi dan fisiologi anatomi yang letaknya jauh dari kerusakan. Penyakit stroke merupakan penyakit penyebab utama kematian setelah penyakit jantung sehingga diperlukan suatu system untuk mendeteksi penyakit stroke sebagai bentuk pencegahan dini agar tidak terserang penyakit stroke. Sistem deteksi menggunakan kecerdasan buatan dengan teknik klasifikasi. Klasifikasi telah digunakan oleh para peneliti untuk mendeteksi penyakit dengan hasil yang memuaskan. Pada penelitian ini menggunakan teknik klasifikasi menggunakan algoritma CART (Clasiification and Regression Tree) dan algoritma Naïve Bayes. Penelitian ini membagi data menggunakan persentase split sebesar 90% data latih dan sisanya berupa data uji dengan dataset dari Kaggle. Berdasarkan penggunaan kedua algoritma dalam mendeteksi penyakit stroke, algoritma CART menghasilkan akurasi sebesar 95.57% sedangkan naïve bayes memiliki akurasi sebesar 85%. Pada sisi presisi model rata-rata yang dihasilkan oleh algoritma CART yaitu 88% sedangkan naïve bayes memiliki presisi 66%. Recall rata-rata yang dihasilkan oleh algoritma CART yaitu 61% sedangkan naïve bayes memiliki recall sebesar 58%. Dari perbandingan antara akurasi, presisi, dan recall yang dihasilkan algoritma CART dan Naïve bayes dapat disimpulkan jika algoritma CART sangat baik dalam mendeteksi penyakit stroke secara dini.]]>
<![CDATA[PENERAPAN METODE LSTM, ARIMA DAN SARIMA UNTUK MEMPREDIKSI JAM SIBUK PADA TRAFIK INTERNET ]]>
<![CDATA[Muhammad Triyoga Rasyadan]]>;
<![CDATA[Amalia Rizqi Utami]]>;
<![CDATA[Barokatun Hasanah]]>
<![CDATA[ InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026) ]]>
Publisher : <![CDATA[Department of Electrical Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22441/incomtech.v16i1.27716
<![CDATA[Jam sibuk terjadi karena antrian padat jaringan di jam-jam tertentu menyebabkan kemacetan jaringan dan penurunan kinerja. Penelitian ini melakukan peramalan jam sibuk trafik internet dari PT. Comtelindo Balikpapan menggunakan metode LSTM, ARIMA dan SARIMA. Hasil peramalan dihitung menggunakan metode TCBH untuk menentukan nilai jam sibuk. Metode ARIMA, SARIMA dan LSTM diterapkan untuk meramalkan trafik jam sibuk selama periode 28 hari, 56 hari dan 84 hari. Analisis nilai RMSE dan MAPE menunjukkan variasi akurasi prediksi. ARIMA dan SARIMA mengalami peningkatan nilai RMSE dan MAPE seiring dengan panjang periode peramalan, menunjukkan ketidakpastian lebih tinggi. Namun, pada peramalan 56 hari terdapat penurunan signifikan dalam RMSE dan MAPE dengan ARIMA mencatat RMSE sebesar 5013.23, MAPE sebesar 7.73% dan SARIMA mencatat RMSE sebesar 5127.80, MAPE sebesar 8.07%. Ini menunjukkan akurasi sangat baik di bawah 10%. LSTM menunjukkan kesalahan rendah untuk periode pendek (28 hari) dengan RMSE sebesar 1057.18 dan MAPE sebesar 3.34%, tetapi performanya menurun untuk periode lebih panjang. Pengujian dilakukan pada ketiga metode dengan membagi data menjadi empat bagian untuk melihat bagaimana metode merespons data yang ada. Metode ARIMA mendapatkan nilai parameter terbaik untuk data yang sangat kompleks, walaupun nilai parameter MAPE termasuk kategori peramalan yang cukup. Metode SARIMA mendapatkan nilai parameter terbaik untuk data yang cukup kompleks. Metode LSTM mendapatkan nilai parameter terbaik untuk data yang tidak kompleks. Semua model bermanfaat untuk prediksi trafik internet, namun pengembangan lebih lanjut dalam pengolahan data pelatihan diperlukan untuk meningkatkan akurasi peramalan, terutama untuk LSTM.]]>
<![CDATA[Klasifikasi Citra Sentinel melalui Google Earth Engine dengan menggunakan algoritma Machine Learning XGBoost ]]>
<![CDATA[Gregorius Anung Hanindito]]>;
<![CDATA[Adi Wibowo]]>;
<![CDATA[Budi Warsito]]>
<![CDATA[ InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026) ]]>
Publisher : <![CDATA[Department of Electrical Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22441/incomtech.v16i1.31354
<![CDATA[Remote sensing technology and Geographic Information Systems (GIS) have rapidly evolved to provide extensive data and information on land cover. This study aims to monitor land cover in Tanjung Keluang Nature Tourism Park (TWA) and its surroundings using Sentinel satellite imagery on the Google Earth Engine (GEE) platform, employing the XGBoost machine learning algorithm. The methods involved acquiring Sentinel satellite imagery, pre-processing for geometric correction, developing training and testing datasets, as well as performing classification and accuracy evaluation. The results indicate that the XGBoost algorithm can classify land cover into several categories with an accuracy of up to 98%. The classified land cover includes water bodies (23,346 Ha), open land (9,680.54 Ha), sand mining areas (931.15 Ha), and vegetation (16,596.84 Ha). This study contributes positively to the management of conservation areas, particularly in supporting decision-making for TWA Tanjung Keluang in the future.]]>
<![CDATA[IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE FUZZY SUGENO DALAM PENERIMAAN BANTUAN SOSIAL MENGGUNAKAN MIKROKONTROLLER BERBASIS TEKNOLOGI IoT ]]>
<![CDATA[Ahmad Firdausi]]>;
<![CDATA[Okta Viandra]]>
<![CDATA[ InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026) ]]>
Publisher : <![CDATA[Department of Electrical Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22441/incomtech.v16i1.34242
<![CDATA[Dalam mengelola program bantuan sosial, pemerintah sering dihadapkan pada tantangan dalam mengidentifikasi penerima bantuan yang tepat dan memastikan dana bantuan digunakan dengan efektif. Untuk mengatasi tantangan ini, sistem pendukung keputusan semakin digunakan untuk memberikan informasi yang akurat dan membantu pengambilan keputusan yang lebih baik. Metode fuzzy memungkinkan pengambilan keputusan yang lebih akurat dan realistis, sedangkan teknologi IOT memungkinkan pengumpulan dan pertukaran data secara real-time. Dengan menggabungkan kedua metode ini, program bantuan sosial dapat lebih efisien dan efektif dalam memberikan bantuan kepada mereka yang membutuhkannya. Dengan menggunakan teknologi IOT berbasis mikrokontroler, data dapat dikumpulkan secara real-time dari berbagai perangkat dan sensor yang terhubung. Ini memungkinkan pemantauan yang akurat dan pengambilan keputusan yang lebih akurat. Maka, dalam penelitian ini penulis menggunakan metode fuzzy dalam implementasi alat system pendukung keputusan dalam penerimaan bantuan social menggunakan mikrokontroler berbasis teknologi IOT. Untuk bagian hardware meliputi rangkaian Push Button, Modul ESP 8266, RFID Reader RC522, Buzzer dan LCD. Pengumpulan data digunakana menggunakan bahasa teks editor visual studio code. Dari data penelitian dapat dilihat bahwa hasil perhitungan dan hasil penggunakan aplikasi dengan menggunakan metode fuzzy ini menghasilkan hasil yang sama. Dan dengan metode ini panitia bansos dapat dengan mudah dan efisien untuk menentukan golongan dan jumlah bansos yang dapat diterima oleh warga setempat.]]>
<![CDATA[Penerapan Metode Data Science untuk Memprediksi Persediaan Bahan Baku di Kelurahan Kembangan Utara ]]>
<![CDATA[Sabar Rudiarto]]>;
<![CDATA[Saruni Dwiasnati]]>
<![CDATA[ InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026) ]]>
Publisher : <![CDATA[Department of Electrical Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22441/incomtech.v16i1.35951
<![CDATA[Penerapan metode Data Science menggunakan algoritma Naive Bayes untuk memprediksi persediaan bahan baku di Kelurahan Kembangan Utara bertujuan membantu pelaku usaha mikro, kecil, dan menengah (UMKM) dalam mengelola stok secara lebih efisien dan mengurangi risiko kekurangan maupun kelebihan persediaan. Algoritma Naive Bayes digunakan untuk mengklasifikasikan kondisi persediaan berdasarkan data historis dan atribut terkait, sehingga mempermudah pengambilan keputusan dalam perencanaan pengadaan bahan baku. Pelatihan diberikan kepada pengelola UMKM mengenai pengumpulan data, pengolahan, serta penerapan algoritma Naive Bayes untuk menghasilkan prediksi yang akurat. Dengan pendekatan ini, diharapkan UMKM dapat meningkatkan efisiensi operasional, meminimalkan pemborosan, dan merencanakan pengadaan bahan baku secara lebih tepat. Hasil yang diharapkan adalah terciptanya sistem manajemen persediaan berbasis data di Kelurahan Kembangan Utara yang dapat mendukung keberlanjutan usaha dan pemberdayaan ekonomi lokal.]]>
<![CDATA[Deteksi Dini Disleksia Berbasis Analisis Tulisan Tangan Menggunakan Transfer Learning MobileNetV2 ]]>
<![CDATA[Difa Nur Sahara]]>;
<![CDATA[Erik Iman Heri Ujianto]]>
<![CDATA[ InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026) ]]>
Publisher : <![CDATA[Department of Electrical Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22441/incomtech.v16i1.36696
<![CDATA[Keterlambatan dalam mengidentifikasi disleksia dapat secara signifikan memengaruhi perkembangan akademik serta emosional anak, sebuah tantangan yang di Indonesia masih sering dihadapi akibat ketergantungan pada metode observasi manual. Untuk mengatasi masalah tersebut, sebuah prototipe aplikasi berbasis web dirancang sebagai alat bantu untuk mengidentifikasi potensi disleksia secara dini melalui analisis pola tulisan tangan. Sistem ini diimplementasikan menggunakan algoritma Convolutional Neural Network (CNN) dengan pendekatan transfer learning pada arsitektur MobileNetV2. Model dilatih menggunakan dataset primer yang terdiri dari 75 citra tulisan tangan siswa dari SD Negeri Klegenwonosari, Kabupaten Kebumen yang diperkaya variasinya melalui teknik augmentasi data. Evaluasi model melalui K-Fold Cross-Validation menunjukkan capaian akurasi rata-rata yang menjanjikan sebesar 0,7200±0,0980. Penambahan volume data terbukti secara positif memengaruhi stabilitas kinerja model serta kemampuannya untuk mulai mengenali kelas minoritas. Prototipe aplikasi ini diharapkan dapat berfungsi sebagai alat skrining awal yang praktis bagi para pendidik dan orang tua.]]>
<![CDATA[Penerapan SVM dan Regresi untuk Prediksi Intensitas Sentimen Pemilu Presiden Indonesia ]]>
<![CDATA[Valen Rionald]]>;
<![CDATA[Syafrial Fachri Pane]]>;
<![CDATA[Muhammad Yusril Helmi Setyawan]]>
<![CDATA[ InComTech : Jurnal Telekomunikasi dan Komputer Vol. 15 No. 3 (2025) ]]>
Publisher : <![CDATA[Department of Electrical Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22441/incomtech.v15i3.28525
<![CDATA[Dalam konteks pemilihan umum presiden Indonesia, analisis sentimen publik melalui media sosial merupakan alat yang penting untuk memahami persepsi dan reaksi masyarakat terhadap calon presiden dan kebijakan mereka. Studi ini mengembangkan model hybrid yang mengintegrasikan Support Vector Machine (SVM) dan Ridge Regression, menggunakan library BERT untuk memprediksi intensitas sentimen dari data Twitter. Pendekatan ini dirancang untuk mengatasi tantangan variabilitas ekspresi dan ambiguitas bahasa, yang sering kali mempersulit interpretasi data sentimen dengan tepat. Penelitian ini menggunakan teknik preprocessing yang komprehensif, termasuk pembersihan teks dan normalisasi data, serta penerapan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas dalam dataset. Hasil dari penelitian ini menunjukkan bahwa model hybrid dapat mencapai tingkat akurasi, presisi, recall, dan F1-Score yang tinggi dengan tiga rasio yang berbeda, menegaskan keefektifan model dalam mengklasifikasikan dan mengukur intensitas sentimen. Temuan menunjukkan bahwa kombinasi SVM dan regresi, didukung dengan analisis BERT, efektif dalam mengklasifikasikan dan mengukur intensitas sentimen secara akurat. Hasil intensitas yang dijelaskan pada gambar 11 untuk kandidat Anies Baswedan mayoritas sentimen adalah netral sebesar 53.1%. Selanjutnya, pada gambar 12 untuk kandidat Prabowo Subianto netral sebesar 63.5% dan gambar 13 untuk kandidat Ganjar Pranowo dengan 62.9%.]]>
<![CDATA[Implementasi Smart Guard Box Berbasis IoT Sebagai Solusi Keamanan Paket di Tempat Kos ]]>
<![CDATA[Amelia - Anggraini]]>
<![CDATA[ InComTech : Jurnal Telekomunikasi dan Komputer Vol. 15 No. 3 (2025) ]]>
Publisher : <![CDATA[Department of Electrical Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22441/incomtech.v15i3.29611
<![CDATA[Penelitian ini bertujuan untuk merancang Smart Guard Box , yaitu kotak paket pintar berbasis Internet of Things sebagai solusi inovatif untuk mengatasi masalah keamanan dan efisiensi penerimaan paket di tempat kos. Smart Guard Box ini dilengkapi dengan sensor GM67 untuk memindai barcode nomor resi sebagai akses kurir memasukkan paket dan memindai kode QR untuk mengakses penghuni kos yang mengambil paket. Hanya resi barcode dan kode QR yang terdaftar pada aplikasi atau tersimpan di database yang dapat mengakses kotak paket. Selain itu, sistem ini juga dilengkapi sensor ultrasonik untuk menyatukan kapasitas kotak paket secara real-time , dengan data yang dapat dilihat pada aplikasi. Aplikasi Android yang terintegrasi dengan Smart Guard Box menyediakan berbagai fitur yang memudahkan pengguna atau penghuni kos seperti pendaftaran nomor resi, pengecekan status penerimaan paket, pemantauan kapasitas kotak paket, pengecekan histori pengambilan paket, serta notifikasi kedatangan paket. Dari segi energi, Smart Guard Box menggunakan power supply 12 Volt 5 Ampere. Hasil pengujian menunjukkan bahwa sensor GM67 dapat membaca resi barcode dari berbagai jasa pengiriman, mendeteksi semua kode QR yang diujikan serta mampu mendeteksi kode QR pada jarak jarak 5-45 cm dan resi barcode pada jarak 10-45 cm. Sensor ultrasonik memiliki tingkat akurasi yang sangat baik dalam pengukuran kapasitas kotak paket yaitu sebesar 98,63%.]]>
<![CDATA[Analysis of Service Quality and Coverage Based on LoRaWAN Network: A Case Study of Air Quality Monitoring in Grand Depok City ]]>
<![CDATA[Legenda Prameswono Pratama]]>;
<![CDATA[Ahmad Ragil Syaifudin]]>
<![CDATA[ InComTech : Jurnal Telekomunikasi dan Komputer Vol. 15 No. 3 (2025) ]]>
Publisher : <![CDATA[Department of Electrical Engineering ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.22441/incomtech.v15i3.29766
<![CDATA[Smart living is an evolution of the Internet of Things (IoT). The concept of smart living itself refers to the ability to control and connect everything in the surrounding environment to the Internet. The research method used in this study is observational, focusing on the range of LoRa usage with parameters including Receive Signal Strength Indicator (RSSI) and Signal to Noise Ratio (SNR). The study results show that the average RSSI is -94.6 dBm at 50 meters, -105.4 dBm at 100 meters, -106.8 dBm at 150 meters, -111 dBm at 200 meters, -106.6 dBm at 250 meters, and -108.8 dBm at 300 meters. Meanwhile, the highest SNR value was recorded at 50 meters with 11 dB, while the lowest was at 300 meters with -8 dB. The highest error rate was observed at 250 meters, with an error value of 88%. Lack of error value indicates that as the distance between the transmitter and receiver increases, the signal's strength and quality tend to decrease, ultimately affecting communication reliability. Noise becomes more dominant at greater distances than the received signal.]]>
