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 257 Documents
 22   23   24   25   26 
Implementasi Algoritma CART dan Naïve Bayes Untuk Mendeteksi Penyakit Stroke Anita Desiani; Puspa Sari; Indri Ramayanti; Muhammad Arhami
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v16i1.20209

Abstract

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.
PENERAPAN METODE LSTM, ARIMA DAN SARIMA UNTUK MEMPREDIKSI JAM SIBUK PADA TRAFIK INTERNET Muhammad Triyoga Rasyadan; Amalia Rizqi Utami; Barokatun Hasanah
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v16i1.27716

Abstract

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.
Deteksi Serangan Siber pada Perangkat Kesehatan Berbasis WiFi dan MQTT dengan Machine Learning Roymond Chandra Pradana; Alva Hendi Muhammad
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v16i1.32219

Abstract

Perangkat kesehatan yang tergabung dalam Internet of Medical Things (IoMT) rentan terhadap serangan siber, terutama saat menggunakan protokol komunikasi seperti WiFi dan MQTT. Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis serangan pada perangkat IoMT serta mengembangkan model deteksi yang efektif berbasis machine learning. Metode yang digunakan meliputi pengumpulan data dari dataset terbuka, preprocessing data, dan penerapan berbagai algoritma machine learning seperti Random Forest, SVM, KNN, LightGBM, SGD Classifier, CatBoost, dan XGBoost. Hasil pengujian menunjukkan model yang dikembangkan memiliki tingkat akurasi tinggi, yakni 99,5% untuk deteksi dua kategori serangan, 91,5% untuk enam kategori, dan 86,9% untuk sembilan belas kategori. Temuan ini membuktikan bahwa machine learning dapat meningkatkan deteksi serangan siber pada perangkat medis secara signifikan. Penelitian ini memberikan kontribusi penting bagi keamanan IoMT dengan menerapkan teknik machine learning yang canggih. Selain itu, studi ini menekankan pentingnya inovasi dalam mendeteksi serangan siber serta memberikan rekomendasi untuk pengembangan algoritma yang lebih efisien di masa depan.
IMPLEMENTASI SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE FUZZY SUGENO DALAM PENERIMAAN BANTUAN SOSIAL MENGGUNAKAN MIKROKONTROLLER BERBASIS TEKNOLOGI IoT Ahmad Firdausi; Okta Viandra
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v16i1.34242

Abstract

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.
Penerapan Metode Data Science untuk Memprediksi Persediaan Bahan Baku di Kelurahan Kembangan Utara Sabar Rudiarto; Saruni Dwiasnati
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v16i1.35951

Abstract

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.
Deteksi Dini Disleksia Berbasis Analisis Tulisan Tangan Menggunakan Transfer Learning MobileNetV2 Difa Nur Sahara; Erik Iman Heri Ujianto
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v16i1.36696

Abstract

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.
Front Matter April 2026 Umaisaroh Umaisaroh
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 1 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v16i1.38876

Abstract

Front Matter April 2026

Page 26 of 26 | Total Record : 257

 22   23   24   25   26 

Filter by Year

2009 2026


Reset
Filter By Issues
All Issue Vol. 16 No. 1 (2026) 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