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
Kab. tanah laut,
Kalimantan selatan
INDONESIA
Jurnal Sains dan Informatika
Published by Politeknik Negeri Tanah Laut
ISSN : 2460173X     EISSN : 25985841     DOI : -
Core Subject : Science, Education, Engineering,
Computer Science & IT Engineering Mathematics
Arjuna Subject : -
Articles 336 Documents
 30   31   32   33   34 
Strategi Vertical Scaling dalam Meningkatkan Efisiensi Operasional Sistem Informasi Berbasis Database Jan Everhard Riwurohi; Arimaya Setyorini; Raden Bagus Dhana Pradana Adi; Tety Sapriani
Jurnal Sains dan Informatika Vol. 12 No. 1 (2026): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v12i1.1851

Abstract

Dalam sistem komputasi modern, optimasi penggunaan sumber daya seperti Central Processing Unit (CPU) dan memori manjadi faktor penting dalam mendukung performa aplikasi. Efisiensi operasional sistem informasi sangat bergantung pada kinerja infrastruktur teknologi yang mendukungnya, terutama server database yang menjadi pusat penyimpanan dan pemrosesan data. Pemanfaatan CPU dan memori secara efisien sangat dibutuhkan dalam pengelolaan server database. Kedua komponen ini berperan langsung dalam kecepatan pemrosesan query dan pengelolaan transaksi data. Beban kerja yang tinggi tanpa dukungan kapasitas hardware yang memadai dapat menyebabkan peningkatan latency, bottleneck proses, bahkan kegagalan sistem. Dengan demikian perlu dilakukan utilisasi pada CPU dan memori sehingga server dapat menangani permintaan data secara stabil. Salah satu strategi yang dapat diterapkan untuk meningkatkan performa sistem informasi adalah vertical scaling, yaitu penambahan sumber daya perangkat keras seperti CPU dan memori pada server yang ada. Vertical scaling menjadi pendekatan paling relevan dan efektif untuk meningkatkan kinerja server database, terutama dalam sistem dengan struktur monolitik dan membutuhkan pemrosesan intensif dalam satu node. Penelitian ini mengkaji dampak penerapan vertical scaling terhadap performa operasional sistem informasi berbasis database melalui studi kasus implementasi di perusahaan. Hasil observasi menunjukkan peningkatan performa I/O dan penurunan beban CPU secara signifikan, yang berdampak langsung pada kecepatan akses data dan stabilitas sistem. Pendekatan ini terbukti mendukung peningkatan efisiensi operasional tanpa harus mengubah arsitektur sistem secara keseluruhan.
Sistem Klasifikasi Tingkat Stres Mahasiswa Tingkat Akhir Berbasis Web Menggunakan Support Vector Machine Megawati Megawati; Maura Widyaningsih; Abdul Hadi; Esty Aryani Safithry
Jurnal Sains dan Informatika Vol. 12 No. 1 (2026): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v12i1.1877

Abstract

Tekanan selama penyusunan tugas akhir, keterbatasan waktu, serta tuntutan kelulusan menjadi pemicu utama stres akademik yang rentan dialami mahasiswa tingkat akhir. Apabila tidak ditangani dengan baik, kondisi ini dapat memengaruhi kesehatan mental dan performa akademik. Guna memberikan solusi deteksi dini, penelitian ini mengembangkan sistem klasifikasi tingkat stres berbasis web menggunakan algoritma SVM. Data penelitian diperoleh dari 65 mahasiswa tingkat akhir STMIK Palangkaraya melalui kuesioner dengan instrumen PSS-10. Data yang terkumpul kemudian melalui tahapan prapemrosesan, pelabelan, dan normalisasi sebelum digunakan dalam proses pemodelan SVM dengan beberapa variasi kernel, yakni linear, polynomial, RBF, dan sigmoid. Penyetelan hyperparameter dilakukan menggunakan GridSearchCV dengan pendekatan cross-validation. Hasil pengujian menunjukkan bahwa SVM dengan kernel polynomial menghasilkan kinerja paling optimal, ditunjukkan oleh nilai macro F1-score sebesar 0,914 serta tingkat akurasi 92,31% pada data uji. Temuan ini mengindikasikan bahwa model mampu mengidentifikasi tingkat stres mahasiswa secara tepat dan konsisten. Penerapan sistem dalam bentuk aplikasi web memungkinkan proses pengukuran stres dilakukan secara praktis dan efisien, serta berpotensi menjadi sarana awal dalam mendukung evaluasi stres akademik mahasiswa.
A Semiotic-Based Usability Framework for Evaluating AI-Generated Visual Communication in Design Education: A UI/UX Testing Approach Nashiruddin Al-Fath; Yufiarti Yufiarti
Jurnal Sains dan Informatika Vol. 12 No. 1 (2026): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v12i1.1878

Abstract

Adopsi platform AI generatif dalam praktik Desain Komunikasi Visual memunculkan pertanyaan mendasar yang belum terjawab secara empiris: apakah visual yang dihasilkan AI benar-benar mengomunikasikan makna yang dimaksud, ataukah sekadar mencapai daya tarik estetis? Penelitian ini mengembangkan dan memvalidasi Semiotic UX Evaluation Framework (SUEF), sebuah protokol evaluasi tujuh dimensi yang mengoperasionalkan teori semiotika sebagai metrik terukur dalam usability testing berbasis perangkat lunak. Menggunakan mixed methods sequential explanatory, 32 mahasiswa DKV dievaluasi melalui System Usability Scale, AttrakDiff, eye tracking, think-aloud protocol, dan pipeline NLP berbasis IndoBERT dan LDA. Hasil menunjukkan visual AI-generated memperoleh skor usabilitas kategori acceptable (SUS = 71.4) dibandingkan desain manual yang mencapai good (SUS = 81.2), dengan perbedaan signifikan (p < .001, Cohen's d = 0.85). Semiotic scoring mengungkapkan bahwa kesenjangan keduanya tidak bersifat estetis — Aesthetic Coherence hanya berbeda 0.2 poin — melainkan semiotik, terkonsentrasi pada Cultural Relevance (selisih 3.6) dan Intentionality Alignment (selisih 3.4). Temuan ini mendemonstrasikan bahwa AI generatif telah mencapai paritas estetis namun belum mencapai paritas komunikatif. SUEF tervalidasi sebagai protokol evaluasi yang dapat direplikasi untuk menilai kualitas komunikatif konten visual berbasis AI secara sistematis.
Perbandingan Metode K-Means dan Metode DBSCAN pada Pengelompokan Saham Indeks LQ45 Iqbal Ali Mansyah Wardana; Finda Nur Lailiyah; Noviyanti Santoso
Jurnal Sains dan Informatika Vol. 12 No. 1 (2026): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v12i1.1319

Abstract

The increase in public interest in investment, especially among young people, has caused a surge in the number of investors in Indonesia since 2019. This condition is accompanied by the increasing number of companies listed on the Indonesia Stock Exchange (BEI), especially on the LQ45 stock index which is one of the main references for investors. . However, stock market dynamics often make it difficult for investors to choose shares with optimal financial performance. Financial ratio analysis of financial reports is an important tool for assessing company performance. However, financial ratio data is numerical and has not been clearly grouped, so a grouping method is needed to provide a better understanding of company performance patterns. This research compares two clustering methods, namely K-Means and DBSCAN, in grouping shares in the LQ45 index based on financial ratios such as Return on Equity (ROE), Net Profit Margin (NPM), Debt to Equity Ratio (DER), Debt to Asset Ratio (DAR), Company Size (UP), and Stock Trading Volume from the period February to July 2023. K-Means is known to be effective for clearly distributed data, while DBSCAN excels in handling data with complex distribution forms and the existence of outliers. The results of this research indicate that the DBSCAN method is better in grouping companies because it has higher Silhouette Score and Dunn Index values ​​compared to the K-Means method.
Peramalan Pendapatan Penjualan Pada Toko Kiki Tirtajaya Menggunakan Metode Regresi Linear Sederhana Herfia Rhomadhona; Ahda Kamalia; Desy Novita Sari; Muhammad Iqbal
Jurnal Sains dan Informatika Vol. 10 No. 1 (2024): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v10i1.1230

Abstract

Kiki Shop is a small business focusing on selling various basic necessities in Tirtajaya Village. In response to tight market competition, optimizing stock management and data-driven marketing strategies is highly essential. This study aims to apply a data mining technique specifically the Simple Linear Regression method to project daily store revenue. To comprehensively evaluate model reliability, accuracy performance was tested using three error metrics: Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), and Root Mean Square Error (RMSE). Based on computational results from historical transaction data, the regression model yielded a MAPE of 18.92%, an MAE of IDR 397,657.14, and an RMSE of IDR 492,237.13. Referring to standard classification, the MAPE value of 18.92% indicates that this forecasting model falls into the Good Forecasting category. The discrepancy between the RMSE and MAE values indicates the influence of extreme values (outliers) in the form of revenue spikes on certain days. Overall, this model is considered valid and representative to assist the business owner in inventory planning and minimizing operational risk.
Prediksi Kelulusan : Pendekatan Machine Learning Menggunakan Metode SMOTE Mohammad Ridwan; Sukisno Sukisno; Asep Hardiyanto Nugroho; Taufik Hidayat
Jurnal Sains dan Informatika Vol. 12 No. 1 (2026): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v12i1.1661

Abstract

In the realm of education, timely graduation stands as a pivotal indicator in evaluating the effectiveness of the education system. However, predicting timely graduation remains a challenge due to numerous influencing and interacting factors. In this study, researchers utilized machine learning methods to construct a predictive model capable of identifying students at high risk of not graduating on time based on their academic performance data. The dataset utilized encompassed information such as subject grades and the Grade Point Average from their previous academic records. The researchers proposed employing classification methods in the dataset prediction process, including Decision Tree (Tree), Random Forest (RF), Naive Bayes (NB), and Artificial Neural Network (ANN). To optimize dataset processing, they employed the Synthetic Minority Oversampling Technique (SMOTE) to handle imbalanced datasets. This approach yielded the best results when the original imbalanced dataset was transformed using the SMOTE technique. It was found that the RF method exhibited a dominant advantage over other methods, delivering the highest accuracy score of 99.3%, surpassing the Tree method by 0.2%. In conclusion, it can be inferred that the RF classification model, coupled with the SMOTE technique, can be optimally applied in predicting timely graduation.

Page 34 of 34 | Total Record : 336

 30   31   32   33   34 

Filter by Year

2015 2026


Reset
Filter By Issues
All Issue Vol. 12 No. 1 (2026): Jurnal Sains dan Informatika Vol. 11 No. 2 (2025): Jurnal Sains dan Informatika Vol. 11 No. 1 (2025): Jurnal Sains dan Informatika Vol. 10 No. 2 (2024): Jurnal Sains dan Informatika Vol. 10 No. 1 (2024): Jurnal Sains dan Informatika Vol. 9 No. 2 (2023): Jurnal Sains dan Informatika Vol. 9 No. 1 (2023): Jurnal Sains dan Informatika Vol. 8 No. 2 (2022): Jurnal Sains dan Informatika Vol. 8 No. 1 (2022): Jurnal Sains dan Informatika Vol. 7 No. 2 (2021): Jurnal Sains dan Informatika Vol. 7 No. 1 (2021): Jurnal Sains dan Informatika Vol. 6 No. 2 (2020): Jurnal Sains dan Informatika Vol. 6 No. 1 (2020): Jurnal Sains dan Informatika Vol 6 No 1 (2020): Jurnal Sains dan Informatika Vol 5 No 2 (2019): Jurnal Sains dan Informatika Vol. 5 No. 2 (2019): Jurnal Sains dan Informatika Vol. 5 No. 1 (2019): Jurnal Sains dan Informatika Vol 5 No 1 (2019): Jurnal Sains dan Informatika Vol 4 No 2 (2018): Jurnal Sains dan Informatika Vol. 4 No. 2 (2018): Jurnal Sains dan Informatika Vol 4 No 1 (2018): Jurnal Sains dan Informatika Vol. 4 No. 1 (2018): Jurnal Sains dan Informatika Vol. 3 No. 2 (2017): Jurnal Sains dan Informatika Vol 3 No 2 (2017): Jurnal Sains dan Informatika Vol. 3 No. 1 (2017): Jurnal Sains dan Informatika Vol 3 No 1 (2017): Jurnal Sains dan Informatika Vol 2 No 2 (2016): Jurnal Sains dan Informatika Vol. 2 No. 2 (2016): Jurnal Sains dan Informatika Vol 2 No 1 (2016) Vol. 2 No. 1 (2016) Vol. 1 No. 2 (2015): Jurnal Sains dan Informatika Vol 1 No 2 (2015): Jurnal Sains dan Informatika Vol 1 No 1 (2015): Jurnal Sains dan Informatika Vol. 1 No. 1 (2015): Jurnal Sains dan Informatika More Issue