cover
Contact Name
ahmad gawdy prananosa
Contact Email
ahmadgawdynano@yahoo.com
Phone
-
Journal Mail Official
ipm2kpeintecoms@gmail.com
Editorial Address
-
Location
Unknown,
Unknown
INDONESIA
INTECOMS: Journal of Information Technology and Computer Science
ISSN : 26213249     EISSN : 26141574     DOI : -
Core Subject : Science,
Arjuna Subject : -
Articles 933 Documents
ANALISIS SENTIMEN KOMENTAR YOUTUBE TENTANG PRODUK EIGER MENGGUNAKAN MODEL DEEP LEARNING RNN, CNN, DAN LSTM Maichal Jem’s Hard Aderzon Putra; Magdalena A. Ineke Pakereng
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 4 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/y91zp117

Abstract

Penelitian ini menganalisis sentimen publik terhadap produk Eiger berdasarkan komentar pada kanal YouTube pihak ketiga independen menggunakan tiga model Deep Learning: Recurrent Neural Network (RNN), Convolutional Neural Network (CNN), dan Long Short-Term Memory (LSTM). Dataset sebanyak 2.015 komentar unik dikumpulkan melalui YouTube Data API v3, lalu diproses dan diberi label berbasis kamus (lexicon-based). Hasil pelabelan menunjukkan ketidakseimbangan data yang tinggi: Netral 74,74%, Positif 19,50%, dan Negatif 5,76%. Dataset dibagi acak dengan proporsi 80:20 untuk data latih dan uji. Hasil eksperimen menunjukkan model CNN 1D menghasilkan performa terbaik dengan akurasi mencapai 94,79% serta nilai F1-Score yang seimbang di seluruh kelas (Positif: 0,97, Negatif: 0,87, Netral: 0,88). Sebaliknya, model RNN dan LSTM tertahan di angka akurasi semu sebesar 75% dengan F1-Score 0,00 pada kelas minoritas. Analisis Confusion Matrix membuktikan RNN dan LSTM mengalami kelumpuhan klasifikasi akibat fenomena majority class bias, di mana model memprediksi seluruh sampel ke kelas mayoritas lokal data uji (kelas Positif berproporsi 74,69%). Penelitian ini menyimpulkan bahwa arsitektur CNN 1D jauh lebih tangguh dalam mengekstraksi fitur lokal penentu sentimen pada teks media sosial yang pendek dan tidak seimbang dibandingkan arsitektur berbasis sekuensial temporal. Kata kunci: Analisis Sentimen, YouTube, Eiger, Deep Learning, CNN, RNN, LSTM, Majority Class
IMPLEMENTASI AUGMENTED REALITY DAN ALGORITMA K-NEAREST NEIGHBOR DALAM PEMBELAJARAN ADAPTIF UNTUK MENINGKATKAN PRESTASI BELAJAR SISWA Alfatar Brian Putra Prasetya; Magdalena A. Ineke Pakereng
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 4 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/snmkhy30

Abstract

Penelitian ini bertujuan mengembangkan aplikasi pembelajaran berbasis Augmented Reality (AR) yang terintegrasi dengan algoritma K-Nearest Neighbor (KNN) untuk mendukung pembelajaran adaptif pada siswa sekolah dasar. Metode penelitian yang digunakan adalah Research and Development (R&D) dengan pendekatan ADDIE yang meliputi tahap analisis, desain, pengembangan, implementasi, dan evaluasi. Aplikasi dikembangkan menggunakan Unity 3D untuk visualisasi objek tiga dimensi dan Python untuk implementasi algoritma KNN. Fitur utama aplikasi meliputi visualisasi objek 3D berbasis AR, narasi audio, kuis interaktif, serta sistem rekomendasi materi berdasarkan hasil belajar siswa. Pengujian dilakukan pada dua kelompok siswa, yaitu kelas yang menggunakan media pembelajaran berbasis AR dan kelas dengan metode konvensional. Hasil penelitian menunjukkan bahwa rata-rata nilai siswa pada kelas AR sebesar 83,7 lebih tinggi dibandingkan kelas konvensional sebesar 68,4. Selain itu, algoritma KNN mampu mengklasifikasikan kebutuhan belajar siswa dengan tingkat akurasi sebesar 87%. Integrasi teknologi AR dan KNN terbukti mampu meningkatkan pemahaman konsep, motivasi belajar, dan hasil belajar siswa melalui sistem pembelajaran yang interaktif dan adaptif. Penelitian ini diharapkan dapat menjadi salah satu inovasi media pembelajaran berbasis teknologi yang mendukung proses belajar mengajar di sekolah dasar. Kata kunci: Augmented Reality, K-Nearest Neighbor, Pembelajaran Adaptif, Media Pembelajaran.
OPTIMASI KLASIFIKASI BAHASA ISYARAT INDONESIA (BISINDO) BERBASIS VISION TRANSFORMER DENGAN CLAHE DAN MIXUP Moh Hatta; Muhamad Akbar; Muhammad Irvai; Joni Karman
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/56deny34

Abstract

Bahasa Isyarat Indonesia (BISINDO) merupakan sarana komunikasi utama bagi penyandang tunarungu sehingga diperlukan sistem klasifikasi citra yang mampu mengenali gestur secara akurat. Penelitian ini bertujuan meningkatkan performa klasifikasi BISINDO menggunakan arsitektur Vision Transformer (ViT) yang dikombinasikan dengan teknik Contrast Limited Adaptive Histogram Equalization (CLAHE) dan augmentasi data MixUp. Metode penelitian menggunakan pendekatan kuantitatif eksperimental melalui tahapan akuisisi data, preprocessing citra (ukuran 224×224 piksel, Gaussian Blur, dan CLAHE), penerapan MixUp pada data latih, serta pelatihan dan evaluasi model menggunakan metrik accuracy, precision, recall, F1-score, dan confusion matrix. Dataset terdiri atas 900 citra dari 10 kelas dengan pembagian 50% data latih, 40% data validasi, dan 10% data uji. Hasil penelitian menunjukkan akurasi 99% dengan nilai rata-rata precision, recall, dan F1-score sebesar 0,99. Temuan ini menunjukkan bahwa integrasi CLAHE dan MixUp efektif meningkatkan kualitas fitur dan kemampuan generalisasi model dalam klasifikasi BISINDO. Kata Kunci: BISINDO, Vision Transformer, CLAHE, MixUp
CROSSELLING CERDAS MELALUI MARKET BASKET ANALYSIS DENGAN ASOCIATION RULE MINING Rani Saputri; M Nur Alamsyah; Harma Oktafia Lingga Wijaya
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/7h6e4y35

Abstract

Dalam era persaingan bisnis yang semakin ketat, analisis data transaksi penjualan menjadi penting untuk memahami pola pembelian konsumen dan mendukung penyusunan strategi pemasaran yang lebih efektif. Penelitian ini bertujuan mengidentifikasi hubungan antarproduk menggunakan pendekatan Market Basket Analysis melalui teknik Association Rule Mining. Dataset yang digunakan adalah Groceries dataset yang terdiri dari 9.835 transaksi dengan 40 atribut produk. Proses analisis dilakukan menggunakan aplikasi WEKA dengan menerapkan algoritma Apriori dan FP-Growth untuk menghasilkan aturan asosiasi berdasarkan nilai support dan confidence. Hasil penelitian menunjukkan bahwa kedua algoritma mampu mengidentifikasi pola pembelian pelanggan secara efektif. Produk kentang menjadi produk yang paling sering muncul dan memiliki hubungan kuat dengan beberapa produk lain, seperti ikan, sereal, mie, ayam, dan beras. Temuan ini menunjukkan bahwa Market Basket Analysis dapat mendukung strategi cross-selling dan pengambilan keputusan pemasaran berbasis data. Kata Kunci: Market Basket Analysis,Association Rule Mining,FP-Growth,Cross-Selling.
ANALISIS DAN PREDIKSI TREN FASHION BATIK INDONESIA MENGGUNAKAN LSTM DAN K-MEANS BERBASIS DATA GOOGLE TRENDS Fryan Gerardi Parantak; Teguh Wahyono
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 4 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/68dm4e33

Abstract

Perkembangan tren fashion batik di Indonesia terus mengalami perubahan seiring meningkatnya pemanfaatan teknologi digital dan pencarian informasi melalui internet. Penelitian ini bertujuan menganalisis dan memprediksi tren pencarian batik daerah menggunakan metode Long Short-Term Memory (LSTM) serta mengelompokkan hasil prediksi menggunakan K-Means Clustering berdasarkan data Google Trends periode 2009–2026. Data dipraproses melalui seleksi atribut, normalisasi menggunakan Min-Max Scaler, pembentukan data deret waktu, dan pembagian data latih serta data uji sebelum dilakukan pelatihan model LSTM. Hasil evaluasi model menunjukkan nilai MAE sebesar 1,433845, RMSE sebesar 2,045695, dan MAPE sebesar 29,658822%, yang menunjukkan kemampuan model dalam memprediksi tren pencarian. Hasil prediksi selama Juli 2026 hingga Juni 2027 kemudian dikelompokkan menjadi tiga kategori, yaitu tinggi, sedang, dan rendah menggunakan algoritma K-Means. Penelitian ini menunjukkan bahwa integrasi LSTM dan K-Means mampu memberikan informasi prediksi sekaligus segmentasi tren pencarian batik daerah sebagai pendukung pengambilan keputusan berbasis data. Kata Kunci: Google Trends, LSTM, K-Means Clustering, Batik Daerah, Prediksi Tren.
IMPLEMENTASI RETRIEVAL-AUGMENTED GENERATION BERBASIS LARGE LANGUAGE MODEL PADA CHATBOT PANDUAN SKRIPSI DI UNIVERSITAS BINA INSAN Putu Rika Milani; Andri Anto Tri Susilo; Antoni Zulius; Muhamad Akbar
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/q4xw8b79

Abstract

Panduan skripsi memuat berbagai aturan dan prosedur akademik yang harus dipahami mahasiswa, tetapi penyajiannya dalam dokumen yang panjang dan teknis dapat menyulitkan pencarian informasi secara cepat. Penelitian ini bertujuan mengimplementasikan Retrieval-Augmented Generation (RAG) berbasis Large Language Model (LLM) pada chatbot Panduan Skripsi Universitas Bina Insan. Sistem dikembangkan melalui tahapan ekstraksi dan pembersihan teks, chunking, embedding, penyimpanan pada basis data vektor, pencarian semantik, dan generasi jawaban menggunakan LLM. Kinerja chatbot dievaluasi dengan BERTScore melalui perbandingan jawaban sistem dengan jawaban referensi. Hasil pengujian menunjukkan nilai rata-rata precision sebesar 0,9688, recall 0,9270, dan F1-score 0,9433, yang menunjukkan tingkat kesesuaian semantik yang tinggi. Chatbot juga mampu memberikan jawaban terstruktur serta menyertakan referensi halaman dokumen. Hasil tersebut menunjukkan bahwa penerapan RAG berbasis LLM dapat mendukung penyediaan informasi panduan skripsi secara kontekstual, relevan, dan berbasis dokumen resmi. Kata Kunci: BERTScore, Chatbot, Large Language Model, Panduan Skripsi, Retrieval-Augmented Generation.
PEMODELAN RANDOM FOREST UNTUK ESTIMASI MAGNITUDO MOMEN DARI TIGA DETIK AWAL GELOMBANG P Rangga Tandiais Rizki; Suko Prayitno Adi; Sigit Pramono
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/hfr5b815

Abstract

Banten and West Java have high seismic activity, requiring rapid and reliable magnitudo estimation for earthquake early warning. This study developed a Random Forest model to estimate moment magnitudo (Mw) from the first three seconds of P-wave signals. BMKG strong-motion data from 2019–2025 underwent preprocessing and extraction of 16 amplitude, velocity, acceleration, energy, distance, and logarithmic features. Event ID was retained as a unique identifier for each earthquake in dataset preparation. Using GroupShuffleSplit, 4,209 samples were divided by Event ID into 3,394 training and 815 testing samples. Hyperparameters were optimized through Grid Search with five-fold GroupKFold validation based on Event ID. On the testing data, the model achieved an MAE of 0.159, an RMSE of 0.198, and an R² of 0.6115, indicating moderate predictive performance. Random Forest can support rapid initial magnitudo estimation, although broader data and improved features remain necessary. Keywords: Random Forest, Event ID, moment magnitudo, P-wave, earthquake early warning.
IMPLEMENTASI SISTEM INFORMASI MONITORING BATAS MASA JUAL PRODUK BERBASIS WEB PADA UMKM BRULEEBITES DI JAKARTA TIMUR Febriyanti Febriyanti; Untung Surapati; Mesra Betty Yel
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/a820d329

Abstract

Perkembangan usaha mikro, kecil, dan menengah (UMKM) kuliner seperti BruleeBites menuntut pengelolaan produk yang terstruktur. Proses pencatatan dan monitoring batas masa jual produk yang sebelumnya dilakukan secara manual melalui grup WhatsApp dapat menyebabkan kesalahan pencatatan, keterlambatan monitoring, serta kesulitan dalam penyajian laporan. Penelitian ini bertujuan untuk mengimplementasikan Sistem Informasi Monitoring Batas Masa Jual Produk berbasis web pada UMKM BruleeBites di Jakarta Timur. Metode pengembangan sistem yang digunakan adalah Waterfall yang meliputi analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. Sistem menyediakan fitur pengelolaan data produk, pencatatan produksi, perhitungan batas masa jual berdasarkan ketentuan H+3, monitoring status produk, pengelolaan produk yang telah melewati batas masa jual, serta penyajian laporan dan ekspor Excel. Hasil pengujian Black Box Testing terhadap 13 skenario fungsional menunjukkan bahwa seluruh skenario memperoleh status Valid. Sistem dapat membantu Admin dan Owner dalam melakukan monitoring batas masa jual dan mengelola informasi produk secara lebih terstruktur. Kata Kunci: Sistem Informasi, Monitoring Batas Masa Jual, Website, Waterfall, UMKM
MODEL MACHINE LEARNING UNTUK KLASIFIKASI ANOMALI SERANGAN DENIAL OF SERVICE (DOS) PADA INFRASTRUKTUR JARINGAN MENGGUNAKAN DATASET CIC IIOT 2025 Tri Swastiningsih; Rudi Kurniawan; Elmayati Elmayati; Nelly Khairani Daulay
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/y01jc532

Abstract

Perkembangan Industrial Internet of Things (IIoT) meningkatkan efisiensi sistem industri, namun juga meningkatkan risiko serangan siber, khususnya Denial of Service (DoS) yang dapat mengganggu ketersediaan layanan jaringan. Penelitian ini bertujuan untuk membangun dan mengevaluasi model machine learning dalam mengklasifikasikan anomali serangan DoS pada infrastruktur IIoT menggunakan dataset CIC IIoT 2025. Dataset ini memuat trafik normal (benign) serta berbagai jenis serangan DoS seperti TCP SYN Flood, UDP Flood, ICMP Flood, dan MQTT Publish Flood. Permasalahan ketidakseimbangan data ditangani menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE). Tiga algoritma supervised learning digunakan, yaitu Random Forest, XGBoost, dan Support Vector Machine (SVM). Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, F1-score, confusion matrix, ROC-AUC, serta K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa Random Forest dan XGBoost memperoleh akurasi tertinggi sebesar 97%, sedangkan SVM memperoleh akurasi 95%. Secara keseluruhan, menunjukkan performa paling stabil dalam mendeteksi berbagai variasi serangan DoS. Random Forest Penelitian ini berkontribusi dalam pengembangan sistem deteksi intrusi berbasis machine learning untuk meningkatkan keamanan jaringan IIoT.   Kata Kunci: IIoT, Denial of Service, Machine Learning, SMOTE.
PENGUKURAN BRAND STRENGTH LAPTOP AXIOO DAN ADVAN MENGGUNAKAN TEXT MINING DAN SEMANTIC RETRIEVAL Widi Anggraini; Lukman Sunardi; Cindi Wulandari; Budi Santoso
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/0c8j0c78

Abstract

Penelitian ini bertujuan menganalisis persepsi pengguna terhadap laptop Advan dan Axioo melalui komentar YouTube menggunakan text mining, analisis sentimen, dan semantic retrieval berbasis embedding. Data dikumpulkan dari 21 video dan menghasilkan 3.519 komentar, kemudian diperoleh 3.417 komentar unik setelah penghapusan duplikat. Pelabelan sentimen awal menggunakan TextBlob, sedangkan klasifikasi dilakukan dengan TF-IDF dan Multinomial Naive Bayes. Pembagian data dilakukan secara stratified 80:20 dan Random Oversampling hanya diterapkan pada data latih untuk mencegah data leakage. Hasil pengujian menghasilkan accuracy 0,730, weighted F1-score 0,782, dan macro F1-score 0,458. Distribusi label terdiri atas 250 positif, 3.050 netral, dan 117 negatif. Indeks brand strength berbasis sentimen sebesar 0,031429 untuk Advan dan 0,043860 untuk Axioo. Semantic retrieval digunakan untuk menemukan komentar yang relevan terhadap query. Kata kunci: Brand strength, TF-IDF, Multinomial Naive Bayes, YouTube, semantic retrieval.

Filter by Year

2018 2026


Filter By Issues
All Issue Vol. 9 No. 5 (2026): INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 4 (2026): INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 3 (2026): INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 2 (2026): INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 1 (2026): INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 6 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 5 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 4 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 3 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol. 8 No. 2 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol 8 No 2 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol 8 No 1 (2025): INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 6 (2024): INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 5 (2024): INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 4 (2024): INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 3 (2024): INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 2 (2024): INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 1 (2024): INTECOMS: Journal of Information Technology and Computer Science Vol 6 No 2 (2023): INTECOMS: Journal of Information Technology and Computer Science Vol. 6 No. 1 (2023): INTECOMS: Journal of Information Technology and Computer Science Vol 6 No 1 (2023): INTECOMS: Journal of Information Technology and Computer Science Vol 5 No 2 (2022): INTECOMS: Journal of Information Technology and Computer Science Vol 5 No 1 (2022): INTECOMS: Journal of Information Technology and Computer Science Vol 4 No 2 (2021): INTECOMS: Journal of Information Technology and Computer Science Vol 4 No 1 (2021): INTECOMS: Journal of Information Technology and Computer Science Vol 3 No 2 (2020): INTECOMS: Journal of Information Technology and Computer Science Vol 3 No 1 (2020): INTECOMS: Journal of Information Technology and Computer Science Vol 2 No 2 (2019): INTECOMS: Journal of Information Technology and Computer Science Vol 2 No 1 (2019): INTECOMS: Journal of Information Technology and Computer Science Vol 1 No 2 (2018): INTECOMS: Journal of Information Technology and Computer Science Vol 1 No 1 (2018): INTECOMS: Journal of Information Technology and Computer Science More Issue