cover
Contact Name
Zulfan Zainal
Contact Email
zulfanzainal@serambimekkah.ac.id
Phone
+6281360353540
Journal Mail Official
jnkti@serambimekkah.ac.id
Editorial Address
Gedung H Fakultas Teknik Universitas Serambi Mekkah Jl. T. Imum Lueng Bata, Batoh, Kota Banda Aceh - Aceh
Location
Kota banda aceh,
Aceh
INDONESIA
Jurnal Nasional Komputasi dan Teknologi Informasi
ISSN : 26208342     EISSN : 26213052     DOI : https://doi.org/10.32672/jnkti.v8i2
Jurnal Nasional Komputasi dan Teknologi Informasi adalah jurnal nasional yang diterbitkan oleh Program Studi Teknik Komputer Universitas Serambi Mekkah tahun 2018 dan telah Terakreditasi SINTA 5. Jurnal ini terbit sebanyak enam edisi dalam satu tahun yaitu setiap bulan Februari, April, Juni, Agustus, Oktober dan Desember baik cetak (P-ISSN : 2620-8342) dan online (E-ISSN: 2621-3052). Jurnal ini mempublikasikan artikel-artikel ilmiah yang berkaitan dengan bidang Komputer dan Teknologi Informasi dengan scope Rekayasa Perangkat Lunak, Sistem Informasi, Jaringan Komputer, Elektronika dan Sistem Kontrol, Multimedia dan Pengolahan Citrat Digital serta bidang Komputer dan Informatika lainnya yang relevan. Artikel yang dikirimkan ke JNKTI dapat ditulis dalam Bahasa Indonesia atau Bahasa Inggris. Setiap artikel yang dipublikasi dalam jurnal ini akan direview terlebih dahulu dengan metode Peer-Review dan hanya artikel yang memenuhi syarat yang akan dipublikasikan. Artikel-artikel yang telah dipublikasikan oleh JNKTI juga sudah diindeks oleh beberapa lembaga indeksasi seperti Google Scholar, Garuda, CrossRef, BASE, Moraref dan SINTA. Bidang bidang fokus penelitian yang akan dipublikasi dalam jurnal ini antara lain : Bidang Rekayasa Perangkat Lunak Bidang Jaringan Komputer Bidang Multimedia dan Pengolahan Citra Digital Bidang Komputasi Bidang Sistem dan Teknologi Informasi Bidang Kecerdasan Buatan Multidisiplin ilmu lainnya yang relevan
Articles 1,345 Documents
Evaluasi Kinerja Algoritma Machine Learning pada Data Administratif Warga Binaan Hasibuan, Tetti Aminah; Simatupang, Khairun Nisa; Arbiah, Zannatun
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 9, No 1 (2026): Februari 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.10357

Abstract

Abstrak - Pemanfaatan machine learning pada data administratif berpotensi mendukung analisis berbasis data, namun kinerjanya sangat dipengaruhi oleh karakteristik data yang digunakan. Penelitian ini bertujuan untuk mengevaluasi kinerja beberapa algoritma machine learning dalam mengklasifikasikan tingkat pendidikan warga binaan berdasarkan data administratif non-identitas. Algoritma yang digunakan meliputi Support Vector Machine (SVM), Random Forest, dan XGBoost. Data yang digunakan berasal dari dokumen administrasi internal lembaga pemasyarakatan dan diproses melalui tahapan pra-pemrosesan, pembagian data latih dan data uji, serta evaluasi model menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa SVM (RBF) menghasilkan nilai akurasi tertinggi, sementara XGBoost memiliki performa yang relatif lebih seimbang pada metrik presisi, recall, dan F1-score. Namun demikian, seluruh algoritma menunjukkan kinerja yang masih tergolong rendah. Temuan ini mengindikasikan bahwa keterbatasan data administratif, khususnya dominasi atribut kategorikal dan distribusi kelas yang tidak seimbang, memengaruhi kemampuan algoritma dalam mengenali pola secara optimal. Penelitian ini memberikan gambaran empiris mengenai efektivitas dan keterbatasan penerapan machine learning pada data administratif non-identitas.Kata kunci : Machine learning; Evaluasi kinerja; Data administratif; Klasifikasi; Warga binaan; Abstract - The use of machine learning on administrative data has the potential to support data-driven analysis, but its performance is greatly influenced by the characteristics of the data used. This study aims to evaluate the performance of several machine learning algorithms in classifying the educational level of inmates based on non-identifying administrative data. The algorithms used include Support Vector Machine (SVM), Random Forest, and XGBoost. The data used comes from internal administrative documents of correctional institutions and is processed through pre-processing, training and testing data division, and model evaluation using accuracy, precision, recall, and F1-score metrics. The results show that SVM (RBF) produced the highest accuracy, while XGBoost had relatively more balanced performance in terms of precision, recall, and F1-score metrics. However, all algorithms showed relatively low performance. These findings indicate that limitations in administrative data, particularly the dominance of categorical attributes and unbalanced class distribution, affect the ability of algorithms to recognize patterns optimally. This study provides an empirical overview of the effectiveness and limitations of applying machine learning to non-identity administrative data.Keywords: Machine learning; Performance evaluation; Administrative data; Classification; Inmates;
Steganografi Video Multi-Bit LSB Adaptif Saliency yang Tahan Terhadap Kompresi Barito, Virta Yosephine; Anggara, Fiky
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 9, No 1 (2026): Februari 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.10539

Abstract

Abstrak - Penelitian ini mengusulkan metode Steganografi Video Adaptif-Aware, yaitu teknik LSB yang adaptif dan tahan terhadap kompresi, yang mengoptimalkan penyembunyian pesan rahasia dengan memanfaatkan peta saliency visual untuk memilih area yang tidak mencolok dan menggunakan LSB multi-bit untuk meningkatkan kapasitas penyembunyian. Tujuan utama dari metode ini adalah memastikan ketahanan terhadap kompresi video modern (H.264/H.265), sehingga pesan dapat diekstraksi dengan akurat setelah kompresi. Penilaian kualitas visual menggunakan PSNR dan SSIM menunjukkan hasil yang sangat baik (PSNR 54.00 dB, SSIM 0.9947), yang mengonfirmasi bahwa video stego hampir tidak dapat dibedakan dari aslinya. Namun, analisis ketahanan terhadap kompresi, khususnya Bit Error Rate (BER) setelah kompresi, tidak disediakan, yang menunjukkan bahwa meskipun kualitas visualnya sangat menjanjikan, metode ini memerlukan pengujian lebih lanjut untuk memverifikasi ketahanannya dalam skenario dunia nyata yang terkompresiKata kunci : Steganografi Video; Least Significant Bit (LSB); LSB multi-bit; evaluasi kualitas video; keamanan video; Abstract - This study proposes an Adaptive-Aware Video Steganography method, an adaptive and compression-resistant LSB technique that optimizes the embedding of secret messages by using visual saliency maps to select inconspicuous areas and applying multi-bit LSB to increase embedding capacity. The primary goal is to ensure resilience against modern video compression (H.264/H.265) so that the message can be accurately extracted after compression. Visual quality assessment using PSNR and SSIM produced excellent results (PSNR 54.00 dB, SSIM 0.9947), confirming that the stego-video is virtually indistinguishable from the original. However, the analysis of compression robustness, specifically the Bit Error Rate (BER) after compression, was not provided, indicating that while the visual quality is highly promising, the method requires further testing to confirm its resilience in real-world compressed scenariosKeywords: Video Steganography; Least Significant Bit (LSB); multi-bit LSB; video quality evaluation; video security;
Sistem Smart Water Monitoring Berbasis IoT dan Machine Learning untuk Analisis Ketinggian, Gelombang, dan Suhu Air Hutagalung, Fhadillah Br; Kiswanto, Dedy; Silalahi, Feby Juliana; Harahap, Fatima Asro
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 9, No 1 (2026): Februari 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.10285

Abstract

Abstrak - Pemantauan kondisi perairan secara berkelanjutan merupakan aspek penting dalam mendukung pengelolaan sumber daya air dan mitigasi potensi bencana. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan menguji sistem Smart Water Monitoring berbasis Internet of Things (IoT) dan Machine Learning untuk memantau parameter ketinggian air, gelombang, dan suhu air secara real-time. Sistem dikembangkan menggunakan sensor ultrasonik dan sensor suhu yang terintegrasi dengan mikrokontroler serta dikoneksikan ke platform berbasis web untuk visualisasi data. Data hasil pengukuran dikirimkan melalui jaringan internet dan disimpan dalam basis data sebagai bahan analisis lanjutan. Metode Machine Learning diterapkan untuk menganalisis pola data dan mendeteksi kondisi anomali berdasarkan perubahan parameter air yang signifikan. Pengujian sistem menunjukkan bahwa perangkat IoT mampu melakukan akuisisi dan transmisi data secara stabil, sementara model Machine Learning yang digunakan memberikan performa yang baik dalam mengidentifikasi kondisi tidak normal pada data perairan. Hasil penelitian ini menunjukkan bahwa integrasi IoT dan Machine Learning dapat menjadi solusi yang efektif dan efisien untuk sistem pemantauan kondisi air secara cerdas dan berkelanjutan.Kata kunci: Sistem Logging; Otentikasi Dua Faktor; Rate Limiter; Machine Learning; Deteksi Anomali; Abstract - The development of modern cyber threats requires network security systems to have adaptive and integrated detection capabilities. This research aims to develop and test a prototype web-based network logging system equipped with a multi-layered authentication mechanism and anomaly pattern analysis using Machine Learning (ML). The system was developed using the Flask (Python) framework and tested online. The system's security components include Google reCAPTCHA and Two-Factor Authentication (OTP) for access protection, as well as the implementation of a Rate Limiter to mitigate low-rate distributed (multi-IP) attacks. The collected activity log data was then used to train two classification models, namely Decision Tree and Random Forest, with the main feature being the frequency of activity per IP within 60 seconds. Test results show that the Rate Limiter system successfully limits low-volume attacks. Meanwhile, ML performance analysis proves the effectiveness of the proposed method, where Decision Tree achieves perfect accuracy of 100.0% and an F1-Score of 1.0 in classifying anomalous activities in structured log datasets. This implementation demonstrates that the integration of secure logging with Machine Learning provides a strong foundation for the development of intelligent and efficient real-time threat detection systems.Keywords: Logging System; Two-Factor Authentication; Rate Limiter; Machine Learning; Anomaly Detection;
Implementasi Kriptografi RSA Terhadap Serangan ID Enumeration pada Endpoints REST-API Sadno, Muhammad; Ningtyas, Rita Ayu; Alfian, Alfian
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 9, No 1 (2026): Februari 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.10556

Abstract

Abstrak - Serangan ID enumeration merupakan salah satu celah keamanan yang umum ditemukan pada implementasi REST-API, khususnya ketika parameter ID dikirimkan dalam bentuk numerik dan berurutan. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi penggunaan kriptografi RSA sebagai mekanisme pengamanan parameter ID pada endpoint REST-API serta menganalisis dampaknya terhadap performa sistem. Pengujian dilakukan dengan membandingkan endpoint tanpa enkripsi dan endpoint terenkripsi melalui simulasi serangan ID enumeration serta pengukuran response time pada masing-masing endpoint. Hasil penelitian menunjukkan bahwa penerapan enkripsi RSA efektif mencegah serangan ID enumeration tanpa memberikan dampak signifikan terhadap performa sistem. Analisis statistik menggunakan uji paired sample t-Test menunjukkan tidak adanya perbedaan signifikan response time antara kedua endpoint, dengan overhead rata-rata di bawah 1%. Dengan demikian, mekanisme pengamanan yang diusulkan dapat diterapkan sebagai solusi yang aman dan efisien untuk meningkatkan keamanan REST-API tanpa mengorbankan performa layanan.Kata kunci : kriptografi RSA; REST-API; ID enumeration; Abstract - ID Enumeration attacks are a common security vulnerability in REST-API implementations, particularly when ID parameters are transmitted in sequential numeric form. This study aims to implement and evaluate the use of RSA cryptography as a security mechanism for protecting ID parameters in REST-API endpoints and to analyze its impact on system performance. The evaluation was conducted by comparing an unencrypted endpoint and an encrypted endpoint through ID Enumeration attack simulations and response time measurements for each endpoint. The results indicate that the application of RSA encryption effectively prevents ID Enumeration attacks without causing a significant impact on system performance. Statistical analysis using the paired sample t-test shows no significant difference in response time between the two endpoints, with an average overhead of less than 1%. Therefore, the proposed security mechanism can be applied as a secure and efficient solution to enhance REST-API security without compromising service performance.Keywords: RSA cryptography; REST-API; ID enumeration;
Pengembangan Model Sistem Informasi Pengelolaan Aset PT.PosIndonesia Kantor Regional II Padang Menggunakan AnalisysWork System Framework Saepulloh, Agus; Putra, Lakry Maltaf; Suardinata, Suardinata
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 9, No 1 (2026): Februari 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.10622

Abstract

Abstrak - Pengelolaan aset organisasi memerlukan sistem informasi yang tidak hanya mampu mengelola data secara teknis, tetapi juga mampu merepresentasikan proses kerja, peran aktor, informasi, serta teknologi secara terintegrasi. PT Pos Indonesia Kantor Regional II Padang menghadapi permasalahan dalam pengelolaan aset berupa keterbatasan akses informasi, sentralisasi pengelolaan data, serta rendahnya transparansi dan akurasi informasi aset antar unit kerja. Penelitian ini bertujuan untuk mengembangkan model sistem informasi pengelolaan aset berbasis web dengan pendekatan Work System Framework (WSF) sebagai kerangka analisis dan perancangan sistem. Metode penelitian menggunakan pendekatan Design Science Research (DSR) yang meliputi studi literatur, studi lapangan (observasi dan wawancara), analisis sistem berjalan, perancangan model berbasis WSF, implementasi prototipe sistem, serta evaluasi sistem. Hasil penelitian menunjukkan bahwa penerapan Work System Framework mampu menghasilkan model sistem informasi yang lebih terstruktur, terintegrasi, dan selaras dengan sistem kerja organisasi. Sistem yang dikembangkan meningkatkan efisiensi pencatatan aset, transparansi informasi, koordinasi antar unit kerja, serta mendukung pengambilan keputusan manajerial. Penelitian ini memberikan kontribusi teoretis berupa perluasan penerapan Work System Framework pada domain sistem informasi pengelolaan aset, serta kontribusi praktis berupa model konseptual dan implementatif yang dapat direplikasi pada organisasi BUMN atau organisasi berskala besar.Kata kunci : sistem informasi aset; Work System Framework; pengelolaan aset; sistem informasi berbasis web; PT Pos Indonesia; Abstract – Organizational asset management requires an information system that is not only capable of managing data technically, but also able to represent work processes, actor roles, information, and technology in an integrated manner. PT Pos Indonesia Regional Office II Padang faces problems in asset management such as limited access to information, centralized data management, and low transparency and accuracy of asset information between work units. This study aims to develop a web-based asset management information system model using the Work System Framework (WSF) approach as a framework for system analysis and design. The research method uses the Design Science Research (DSR) approach which includes literature studies, field studies (observations and interviews), analysis of the current system, design of a WSF-based model, implementation of a system prototype, and system evaluation. The results show that the application of the Work System Framework is able to produce an information system model that is more structured, integrated, and aligned with the organization's work system. The developed system improves asset recording efficiency, information transparency, coordination between work units, and supports managerial decision making. This study provides a theoretical contribution in the form of expanding the application of the Work System Framework in the domain of asset management information systems, as well as a practical contribution in the form of a conceptual and implementative model that can be replicated in State-Owned Enterprises or large-scale organizations.Keywords: asset information system; Work System Framework; asset management; web-based information system; PT Pos Indonesia;
Pemetaan Arsitektur Sistem Informasi pada Pondok Pesantren Al-Imam Al-Islami Menggunakan Zachman Framework Ramdan, Ramdan; Sukmawan, Dede
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 9, No 1 (2026): Februari 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.10429

Abstract

Abstrak - Perkembangan teknologi informasi menuntut lembaga pendidikan, termasuk pondok pesantren, untuk mengelola data dan informasi secara terstruktur dan terintegrasi. Pondok Pesantren Al-Imam Al-Islami memiliki aktivitas yang mencakup bidang akademik, kepesantrenan, administrasi, dan keuangan, namun pengelolaan sistem informasinya masih dilakukan secara manual dan terpisah antarbagian. Kondisi ini berpotensi menimbulkan keterlambatan informasi, duplikasi data, serta kesulitan dalam pemantauan dan pengelolaan data. Penelitian ini bertujuan untuk melakukan pemetaan arsitektur sistem informasi pada Pondok Pesantren Al-Imam Al-Islami menggunakan Zachman Framework. Metode penelitian yang digunakan adalah Design Science Research Methodology (DSRM) dengan teknik pengumpulan data berupa observasi, wawancara, dan kuesioner. Zachman Framework digunakan sebagai kerangka kerja Enterprise Architecture yang bersifat deskriptif untuk memetakan sistem informasi berdasarkan enam kolom fundamental, yaitu what, how, where, who, when, dan why, serta ditinjau dari perspektif planner, owner, dan designer. Hasil penelitian menunjukkan bahwa pemetaan ini mampu memberikan gambaran arsitektur sistem informasi yang komprehensif dan terstruktur sebagai dasar pengembangan sistem informasi pada tahap selanjutnya.Kata kunci : Pemetaan Arsitektur; Sistem Informasi; Zachman Framework; Pondok Pesantren; Abstract - The rapid development of information technology requires educational institutions, including Islamic boarding schools, to manage data and information in a structured and integrated manner. Pondok Pesantren Al-Imam Al-Islami carries out activities covering academic, boarding, administrative, and financial areas; however, its information system management is still conducted manually and separately across departments. This condition potentially leads to information delays, data duplication, and difficulties in monitoring and managing data. This study aims to conduct an information system architecture mapping at Pondok Pesantren Al-Imam Al-Islami using the Zachman Framework. The research method employed is Design Science Research Methodology (DSRM) with data collection techniques including observation, interviews, and questionnaires. The Zachman Framework is applied as a descriptive Enterprise Architecture framework to map the information system based on six fundamental columns, namely what, how, where, who, when, and why, and viewed from the perspectives of planner, owner, and designer. The results indicate that this mapping is able to provide a comprehensive and structured overview of the information system architecture, which can serve as a foundation for future information system development.Keywords: Architecture Mapping; Information System; Zachman Framework; Islamic Boarding School;
Optimasi Pencocokan Citra Bawah Air Berbasis Koreksi Warna dan Peningkatan Kontras Suharyanto, Suharyanto
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 9, No 1 (2026): Februari 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.10589

Abstract

Abstrak - Pencitraan bawah air menghadapi tantangan degradasi visual yang signifikan akibat penyerapan dan hamburan cahaya, yang berdampak pada rendahnya akurasi algoritma visi komputer. Penelitian ini bertujuan untuk mengoptimalkan performa pencocokan citra terumbu karang menggunakan algoritma Scale-Invariant Feature Transform (SIFT) melalui rangkaian metode preprocessing yang komprehensif. Tahapan perbaikan citra yang diusulkan meliputi kompensasi warna berbasis logaritmik, white balance, koreksi gamma, dehazing, dan Contrast Limited Adaptive Histogram Equalization (CLAHE). Hasil eksperimen terhadap 50 citra uji menunjukkan peningkatan kualitas citra yang signifikan secara objektif, ditandai dengan kenaikan nilai rata-rata Underwater Image Quality Measure (UIQM) sebesar 47,7% (dari 2,072 menjadi 3,061) dan Underwater Color Image Quality Evaluation (UCIQE) sebesar 50,2% (dari 0,551 menjadi 0,828). Peningkatan kualitas visual ini secara langsung mengoptimalkan performa ekstraksi fitur, di mana jumlah matched points pada algoritma SIFT meningkat sebesar 11,48%, yaitu dari 1550 menjadi 1728 titik. Penelitian ini membuktikan bahwa stabilitas warna dan ketajaman kontras lokal sangat krusial dalam meningkatkan jumlah deskriptor yang valid dan akurat, bahkan pada kondisi citra yang mengalami rotasi ekstrem sebesar 180°.Kata kunci : Underwater Image Enhancement; SIFT; Matched Points; Terumbu Karang; CLAHE; Abstract - Underwater imaging faces significant visual degradation challenges due to light absorption and scattering, impacting the accuracy of computer vision algorithms. This study aims to optimize the matching performance of coral reef images using the Scale-Invariant Feature Transform (SIFT) algorithm through a comprehensive sequence of preprocessing methods. The proposed image enhancement stages include logarithmic-based color compensation, white balance, gamma correction, dehazing, and Contrast Limited Adaptive Histogram Equalization (CLAHE). Experimental results on 50 test images show a significant objective improvement in image quality, marked by an increase in the average Underwater Image Quality Measure (UIQM) by 47.7% (from 2.072 to 3.061) and Underwater Color Image Quality Evaluation (UCIQE) by 50.2% (from 0.551 to 0.828). This visual quality improvement directly optimizes feature extraction performance, where the number of matched points in the SIFT algorithm increased by 11.48%, from 1550 to 1728 points. This study proves that color stability and local contrast sharpness are crucial in increasing the number of valid and accurate descriptors, even under extreme image rotation of 180°.Keywords: Underwater Image Enhancement; SIFT; Matched Points; Coral Reef; CLAHE;
Pengembangan Perangkat Lunak Berbasis Cloud Computing dengan Metodologi Scrum Zulfa, Ira; Septima, Richasanty; Eliyin, Eliyin
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 9, No 1 (2026): Februari 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.10445

Abstract

Abstrak - Penelitian ini bertujuan untuk menggabungkan fleksibilitas infrastruktur Cloud Computing dengan ketangkasan metodologi Scrum dalam proses pengembangan perangkat lunak. Masalah utama yang diangkat adalah ketidakstabilan performa tim dan kompleksitas dalam pengelolaan sumber daya pada infrastruktur tradisional. Dengan menggunakan pendekatan kuantitatif, data mentah diolah melalui teknik normalisasi Min-Max dan Z-Score untuk menciptakan parameter evaluasi yang objektif. Hasil penelitian menunjukkan bahwa sinergi ini meningkatkan produktivitas tim sebesar 25% dengan rata-rata uptime sistem mencapai 99,8%. Selain itu, model prediktif yang dikembangkan menggunakan Python berhasil mencapai tingkat akurasi sebesar 88% dalam memproyeksikan keberhasilan Sprint. Hal ini memungkinkan pengambilan keputusan berbasis data (data-driven) untuk mitigasi risiko teknis secara proaktif. Kesimpulannya, penggabungan ekosistem cloud dan kerangka kerja Scrum tidak hanya mempercepat siklus rilis produk, tetapi juga memastikan transparansi dan stabilitas kualitas perangkat lunak yang dikembangkan. Dokumentasi seluruh proses dan kode program disediakan melalui repositori terbuka untuk mendukung pengembangan riset di masa depan.Kata kunci : Cloud Computing; Metodologi Scrum; Normalisasi Data; Model Prediktif; Abstract - This study seeks to integrate the adaptable nature of Cloud Computing infrastructure with the agile characteristics of Scrum methodologies in the software development process. The core issue addressed involves performance instability within teams and complexities in managing resources within traditional infrastructure setups. Employing a quantitative research approach, raw data is processed through Min-Max and Z-Score normalization techniques to establish objective evaluation parameters. The research findings indicate that this synergy enhances team productivity by 25%, with the average system uptime reaching 99.8%. Furthermore, a predictive model developed using Python achieved an accuracy rate of 88% in forecasting Sprint success. This enables data-driven decision-making for the proactive mitigation of technical risks. In conclusion, the fusion of cloud ecosystems and the Scrum framework not only accelerates product release cycles but also ensures transparency and stability in the quality of the software developed. Documentation of the entire process and program code is provided through an open repository to support future research development.Keywords: Cloud Computing; Scrum Methodology; Data Normalization; Predictive Model;
Analisis Model Sistem Informasi Pembelajaran Adaptif Menggunakan Machine Learning untuk Optimalisasi Hasil Belajar Mahasiswa Andryadi, Ansen; Zulkifli, Ridwan; Ibrahim, Deva; Aulya, Syifa; Puspita, Novia Nurul; Amalia, Dhita Ayu; Agustina, Nadya Sri
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 9, No 1 (2026): Februari 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.10540

Abstract

Abstrak-Perkembangan teknologi digital dan pembelajaran daring menuntut sistem pembelajaran yang mampu menyesuaikan dengan kebutuhan individual mahasiswa untuk meningkatkan hasil belajar. Namun, banyak institusi pendidikan masih menggunakan pendekatan pembelajaran yang kurang adaptif sehingga efektivitas belajar belum optimal. Penelitian ini mengangkat persoalan tersebut dengan menganalisis model sistem informasi pembelajaran adaptif yang memanfaatkan machine learning untuk mengoptimalisasi hasil belajar mahasiswa. Tujuan penelitian adalah merancang dan mengevaluasi model sistem informasi pembelajaran adaptif yang mampu memberikan rekomendasi pembelajaran personal secara dinamis berdasarkan data performa dan pola belajar mahasiswa. Metode penelitian yang digunakan adalah penelitian dan pengembangan (RD) dengan pendekatan kuantitatif untuk menguji efektivitas model menggunakan data praktikum mahasiswa. Alat utama dalam penelitian ini adalah algoritma machine learning yang diterapkan pada platform pembelajaran berbasis web. Temuan penelitian menunjukkan bahwa penggunaan model adaptif berbasis machine learning secara signifikan meningkatkan ketercapaian hasil belajar mahasiswa dibandingkan metode pembelajaran tradisional. Implikasi penelitian ini dapat menjadi referensi bagi pengembangan sistem pembelajaran modern yang lebih responsif dan personal di perguruan tinggi, serta memperkuat penerapan teknologi kecerdasan buatan dalam pendidikan. Rekomendasi untuk penelitian selanjutnya adalah memperluas aplikasi model ini ke konteks pembelajaran lain dan integrasi dengan fitur pembelajaran yang lebih variatif.Kata Kunci : Sistem Informasi Pembelajaran; Machine Learning; Optimalisasi Hasil Belajar; Personalisasi Pembelajaran; Pendidikan Tinggi; Abstract - The rapid development of digital technology and online learning has driven the need for learning systems that can adapt to individual student needs in order to improve learning outcomes. However, many educational institutions still rely on less adaptive learning approaches, resulting in suboptimal learning effectiveness. This study addresses this issue by analyzing an adaptive learning information system model that utilizes machine learning to optimize student learning outcomes. The purpose of this research is to design and evaluate an adaptive learning information system model capable of providing dynamic, personalized learning recommendations based on students’ performance data and learning behavior patterns. The research employs a Research and Development (RD) methodology with a quantitative approach to test the effectiveness of the model using student practicum data. The main tool in this study is a machine learning algorithm implemented within a web-based learning platform. The findings indicate that the use of a machine learning–based adaptive model significantly improves students’ learning achievement compared to traditional learning methods. The implications of this study suggest that the proposed model can serve as a reference for the development of more responsive and personalized modern learning systems in higher education, as well as strengthen the implementation of artificial intelligence technologies in education. Future research is recommended to expand the application of this model to other learning contexts and to integrate more diverse learning features.Keywords : Learning Information System; Machine Learning; Learning Outcome Optimization; Personalized Learning; Higher Education;
Penerapan Metaheuristik Genetic Algorithm pada Optimasi Hyperparameter Decision Tree untuk Klasifikasi Penyakit Jantung Arifin, Muhammad Hidayatul; Harahap, Salsa Nabila; Nababan, Sirus Daniel H; Perdana, Adidtya
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 9, No 1 (2026): Februari 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.10205

Abstract

Abstrak - Penyakit jantung merupakan salah satu penyebab kematian utama secara global, sehingga deteksi dini yang akurat menjadi krusial dalam upaya penyelamatan pasien. Algoritma Decision Tree sering digunakan sebagai alat bantu diagnosis karena kemampuannya menghasilkan aturan keputusan yang transparan. Namun, algoritma ini memiliki kelemahan mendasar berupa kecenderungan overfitting dan ketidakstabilan akurasi saat menangani data medis yang kompleks. Penelitian ini mengusulkan integrasi Genetic Algorithm (GA) sebagai metode metaheuristik untuk mengoptimalkan konfigurasi hyperparameter pada Decision Tree guna meningkatkan performa klasifikasi. Eksperimen dilakukan menggunakan dataset Heart Disease yang telah melalui tahap pra-pemrosesan ketat, termasuk eliminasi data duplikat dan transformasi fitur kategorikal. Proses optimasi dirancang dengan fungsi evaluasi khusus yang memprioritaskan sensitivitas (Recall) untuk meminimalisir risiko kesalahan deteksi pasien sakit (False Negative). Hasil pengujian menunjukkan bahwa model hasil optimasi GA berhasil meningkatkan Recall secara signifikan sebesar 12,12% (dari 75,76% menjadi 87,88%) dan Akurasi sebesar 4,92% dibandingkan model baseline. Selain itu, struktur model menjadi jauh lebih efisien dengan reduksi kedalaman pohon dari 10 tingkat menjadi 3 tingkat. Temuan ini membuktikan bahwa metode yang diusulkan mampu menghasilkan sistem diagnosis yang tidak hanya lebih akurat dan sensitif, tetapi juga lebih sederhana dan mudah diinterpretasikan oleh tenaga medis.Kata kunci : Decision Tree; Genetic Algorithm; Optimasi Hyperparameter; Prediksi Penyakit Jantung; Abstract - Heart disease is one of the leading causes of death globally, making accurate early detection crucial for patient survival. The Decision Tree algorithm is often used as a diagnostic tool due to its ability to generate transparent decision rules. However, this algorithm has fundamental weaknesses such as overfitting tendencies and accuracy instability when handling complex medical data. This study proposes the integration of Genetic Algorithm (GA) as a metaheuristic method to optimize hyperparameter configurations in Decision Trees to improve classification performance. Experiments were conducted using the Heart Disease dataset that had undergone rigorous pre-processing stages, including duplicate data elimination and categorical feature transformation. The optimization process was designed with a special evaluation function that prioritizes sensitivity (Recall) to minimize the risk of false patient detection (False Negative). The test results showed that the GA-optimized model significantly increased Recall by 12.12% (from 75.76% to 87.88%) and Accuracy by 4.92% compared to the baseline model. In addition, the model structure became significantly more efficient with a reduction in tree depth from 10 levels to 3 levels. These findings prove that the proposed method is capable of producing a diagnostic system that is not only more accurate and sensitive, but also simpler and easier to interpret by medical personnel.Keywords: Decision Tree; Genetic Algorithm; Hyperparameter Optimization; Heart Disease Prediction;