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 jambi,
Jambi
INDONESIA
PROCESSOR Jurnal Ilmiah Sistem Informasi, Teknologi Informasi dan Sistem Komputer
Published by Universitas Dinamika Bangsa
ISSN : 19076738     EISSN : 25280082     DOI : -
Core Subject : Science,
Computer Science & IT
Jurnal PROCESSOR merupakan Jurnal yang diterbitkan oleh STIKOM DINAMIKA BANGSA JAMBI. Jurnal ini terbit 2 kali dalam setahun yaitu pada bulan April dan Oktober. Misi dari Jurnal PROCESSOR adalah untuk menyebarluaskan, mengembangkan dan menfasilitasi hasil penelitian mengenai Ilmu bidang informatika, sebagai media bagi para dosen, guru, peneliti dan para praktisi dalam bidang teknologi informasi dari seluruh Indonesia, dalam melakukan pertukaran informasi tentang hasil-hasil penelitian terbaru yang telah dilakukan.
Arjuna Subject : -
Articles 483 Documents
 45   46   47   48   49 
Sistem Pendataan Siswa Berbasis AI untuk Analisis Karakter dan Monitoring Perkembangan di SD IT Ananda Empat Lawang Nurfatih, Muhammad Sulkhan; Uwi'ah, Mutata
Jurnal PROCESSOR Vol 20 No 2 (2025): Jurnal Processor
Publisher : LPPM Universitas Dinamika Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33998/processor.2025.20.2.2538

Abstract

Primary education plays a strategic role in shaping students’ character and competencies from an early age. However, many schools face challenges in managing student development data, particularly in aspects related to character, which are often subjective and difficult to quantify systematically. This study aims to develop an artificial intelligence (AI)-based student data system integrated with natural language processing (NLP) to support teachers in analyzing student character and monitoring individual growth. The research employed a Research and Development (R&D) approach consisting of four stages: needs analysis, system design, web application implementation, and system evaluation. The system integrates NLP, TF-IDF, and BERT for feature extraction, character classification using decision tree and ensemble learning, and ChatGPT API to generate character summaries and learning recommendations based on teachers’ observational texts. The application was developed as a web-based platform under the domain aidata.itananda.sch.id and was tested on 48 students at SD IT Ananda Empat Lawang. Evaluation results showed that the system achieved 88% classification accuracy and provided data visualizations such as character distribution graphs and a confusion matrix. This system is expected to improve teachers’ efficiency in understanding student character and designing more adaptive and data-driven learning strategies. The study supports digital transformation in primary education through the integration of AI into school information systems.
Analisis Sentimen Terhadap Tagar Kabur Aja Dulu Di Twitter Menggunakan Metode Lexicon-Based Eko Arip Winanto; ali, zidan; Pareza Alam Jusia; Sharipuddin
Jurnal PROCESSOR Vol 20 No 2 (2025): Jurnal Processor
Publisher : LPPM Universitas Dinamika Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33998/processor.2025.20.2.2542

Abstract

Tagar #KaburAjaDulu sempat menjadi perbincangan hangat di media sosial Twitter, mencerminkan respons masyarakat digital Indonesia terhadap dinamika sosial dan politik yang sedang berlangsung. Penelitian ini bertujuan untuk mengevaluasi sentimen publik terhadap tagar tersebut dengan menerapkan pendekatan lexicon-based menggunakan InSet (Indonesia Sentiment Lexicon).Data penelitian diperoleh melalui teknik scraping dengan pustaka Tweet Harvest, menghasilkan 581 tweet berbahasa Indonesia yang memuat tagar #KaburAjaDulu. Analisis dilakukan menggunakan Google Colaboratory dengan dukungan pustaka Python. Tahapan penelitian mencakup pra-pemrosesan teks (pembersihan data, tokenisasi, stopword removal, serta stemming/lematisasi), klasifikasi sentimen dengan metode lexicon-based, dan visualisasi hasil.Hasil analisis menunjukkan bahwa sentimen negatif mendominasi dengan persentase 41,72%, diikuti sentimen netral sebesar 33,73% dan sentimen positif sebesar 24,55%. Kata-kata dominan pada kategori negatif merepresentasikan kritik, keluhan, dan sindiran yang banyak disampaikan dalam gaya bahasa satir khas media sosial. Temuan ini mengindikasikan bahwa tagar #KaburAjaDulu lebih sering digunakan sebagai sarana ekspresi ketidakpuasan publik terhadap kondisi sosial-politik nasional.Secara keseluruhan, pendekatan lexicon-based terbukti efektif dalam memberikan gambaran umum mengenai kecenderungan opini publik tanpa memerlukan pelatihan model. Namun, metode ini memiliki keterbatasan dalam menangkap makna kontekstual dari bahasa informal maupun sarkastik. Oleh karena itu, penelitian ini dapat dijadikan pijakan awal bagi studi lanjutan yang mengintegrasikan pendekatan machine learning untuk meningkatkan akurasi analisis sentimen pada media sosial.
Analisis Kinerja Algoritma K-Nearest Neighbor Dan Random Forest Untuk Deteksi Serangan Pada Jaringan Perangkat IoT Mansis, Muhammad Ilham; Siregar, Mulia Rohmayati; Putri, Ferika Syavina; Kurniabudi
Jurnal PROCESSOR Vol 20 No 2 (2025): Jurnal Processor
Publisher : LPPM Universitas Dinamika Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33998/processor.2025.20.2.2549

Abstract

Deteksi serangan pada jaringan perangkat Internet of Things (IoT) menjadi tantangan penting dalam menjaga keamanan sistem yang semakin kompleks dan rentan terhadap ancaman siber. Sebagai upaya dalam mengatasi permasalahan tersebut, penelitian ini bertujuan untuk mengevaluasi kinerja algoritma K-Nearest Neighbor (KNN) dan Random Forest dalam mendeteksi berbagai jenis serangan pada jaringan perangkat IoT. Dataset yang digunakan adalah Aposemat IoT-23, yang berisi 1.446.599 entri data lalu lintas jaringan dari berbagai jenis serangan seperti Benign, DDoS, Attack, dan lainnya. Tahapan metode meliputi data preprocessing, data cleaning, label encoding, setelah itu dilakukan pelatihan model dan evaluasi menggunakan metrik accuracy, precision, recall, f1-score, ROC-AUC, serta validasi silang 5-Fold Cross-Validation. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki kinerja lebih baik dibandingkan KNN, dengan F1-Macro Score sebesar 0,9396, ROC-AUC 0,9955, serta accuracy sebesar 92,20%. Sementara itu, KNN mencatatkan F1-Macro Score sebesar 0,9256, ROC-AUC 0,9867, dan accuracy sebesar 92,51%. Random Forest juga menunjukkan performa yang lebih stabil pada semua lipatan validasi silang. Berdasarkan temuan ini, Random Forest dinilai lebih efektif dalam mendeteksi serangan pada jaringan IoT.

Page 49 of 49 | Total Record : 483

 45   46   47   48   49 

Filter by Year

2010 2025


Reset
Filter By Issues
All Issue Vol 20 No 2 (2025): Jurnal Processor Vol 20 No 1 (2025): Jurnal Processor Vol 19 No 2 (2024): Jurnal Processor Vol 19 No 1 (2024): Jurnal Processor Vol 18 No 2 (2023): Jurnal Processor Vol 18 No 1 (2023): Jurnal Processor Vol 17 No 2 (2022): Processor Vol 17 No 2 (2022): Jurnal Processor Vol 17 No 1 (2022): Jurnal Processor Vol 17 No 1 (2022): Processor Vol 16 No 2 (2021): Jurnal Processor Vol 16 No 2 (2021): Processor Vol 16 No 1 (2021): Processor Vol 16 No 1 (2021): Jurnal Processor Vol 15 No 2 (2020): Processor Vol 15 No 2 (2020): Jurnal Processor Vol 15 No 1 (2020): Processor Vol 15 No 1 (2020): Jurnal Processor Vol 14 No 2 (2019): Jurnal Processor Vol 14 No 2 (2019): Processor Vol 14 No 1 (2019): Jurnal Processor Vol 14 No 1 (2019): Processor Vol 13 No 2 (2018): Processor Vol 13 No 2 (2018): Jurnal Processor Vol 13 No 1 (2018): Jurnal Processor Vol 13 No 1 (2018): Processor Vol 12 No 2 (2017): Processor Vol 12 No 1 (2017): Processor Vol 12 No 1 (2017): Jurnal Processor Vol 11 No 2 (2016): Processor Vol 11 No 1 (2016): Processor Vol 10 No 2 (2015): Processor Vol 10 No 1 (2015): Processor Vol 9 No 3 (2014): Processor Vol 9 No 2 (2014): Processor Vol 9 No 1 (2014): Processor Vol 8 No 2 (2013): Processor Vol 8 No 1 (2013): Processor Vol 7 No 2 (2012): Processor Vol 7 No 1 (2012): Processor Vol 6 No 2 (2011): Processor Vol 6 No 1 (2011): Processor Vol 5 No 1 (2010): Processor More Issue