cover
Contact Name
Mesran
Contact Email
mesran.skom.mkom@gmail.com
Phone
+6282161108110
Journal Mail Official
jurikom.stmikbd@gmail.com
Editorial Address
STMIK Budi Darma Jalan Sisingamangaraja No. 338 Simpang Limun Medan - Sumatera Utara
Location
Kota medan,
Sumatera utara
INDONESIA
JURIKOM (Jurnal Riset Komputer)
JURIKOM (Jurnal Riset Komputer) membahas ilmu dibidang Informatika, Sistem Informasi, Manajemen Informatika, DSS, AI, ES, Jaringan, sebagai wadah dalam menuangkan hasil penelitian baik secara konseptual maupun teknis yang berkaitan dengan Teknologi Informatika dan Komputer. Topik utama yang diterbitkan mencakup: 1. Teknik Informatika 2. Sistem Informasi 3. Sistem Pendukung Keputusan 4. Sistem Pakar 5. Kecerdasan Buatan 6. Manajemen Informasi 7. Data Mining 8. Big Data 9. Jaringan Komputer 10. Dan lain-lain (topik lainnya yang berhubungan dengan Teknologi Informati dan komputer)
Articles 1,169 Documents
Mekanisme Quality Control LightGBM Berbasis Fitur Geospasial untuk Meningkatkan Akurasi Lokalisasi Hybrid TDOA-AOA Sumber Frekuensi Radio Siaran FM Nurul Muttaqien; Ema Utami
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 4 (2026): Agustus 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v13i4.10076

Abstract

Lokalisasi sumber frekuensi radio Hybrid Time Difference of Arrival (TDOA) dan Angle of Arrival (AOA) pada lingkungan Non Line of Sight (NLOS) mengalami penurunan akurasi akibat propagasi multipath dan hambatan topografi. Penelitian ini mengusulkan quality control berbasis Light Gradient Boosting Machine (LightGBM) dengan mengintegrasikan fitur geospasial Digital Elevation Model Nasional (DEMNAS) beresolusi 8 m untuk meningkatkan akurasi estimasi posisi. Evaluasi dilakukan menggunakan 15.519 sampel pengukuran radio siaran FM di wilayah Yogyakarta dengan validasi silang spatial block 10 lipatan. Hasil penelitian menunjukkan bahwa model yang mengintegrasikan fitur sinyal dan geospasial dapat menurunkan RMSE dari 521,58 m menjadi 118,81 m atau sebesar 77,22%. Model juga mencapai F1-Score sebesar 0,9991 dengan kontribusi fitur geospasial sebesar 49,8% terhadap proses klasifikasi. Pada kondisi NLOS ekstrem, RMSE berkurang dari 1449 m menjadi 205,81 m atau sebesar 85,8%, serta mempertahankan kemampuan generalisasi pada pengujian Leave One Block Out (LOBO) dengan RMSE di bawah 170 m. Hasil penelitian menunjukkan bahwa integrasi LightGBM dan fitur geospasial efektif meningkatkan akurasi hasil lokalisasi Hybrid TDOA-AOA sebagai mekanisme quality control pasca lokalisasi. Secara praktis, hasil penelitian dapat mendukung lokalisasi yang lebih efektif dalam pengawasan spektrum frekuensi radio. Keterbatasan penelitian terletak pada kemampuan model dalam mengidentifikasi kondisi multipath masih memiliki recall sebesar 72,54% sehingga pengembangan fitur geospasial yang lebih representatif berpotensi meningkatkan kinerja model pada penelitian selanjutnya.
Model Evaluasi Kesiapan Digitalisasi UMKM Daerah 3T Menggunakan AHP-TOPSIS sebagai Sistem Penunjang Keputusan Rizalina; Juna Eska; Dinda Djesmedi; Afni Nia Sari
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 4 (2026): Agustus 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v13i4.10103

Abstract

Transformasi digital menjadi faktor penting dalam meningkatkan daya saing Usaha Mikro, Kecil, dan Menengah (UMKM), khususnya di wilayah tertinggal, terdepan, dan terluar (3T). Namun, kesiapan digital UMKM masih belum merata dan sulit diukur secara objektif karena sebagian besar proses penilaian masih dilakukan secara manual dan subjektif. Penelitian ini bertujuan untuk mengembangkan model evaluasi dan sistem penunjang keputusan berbasis Multi-Criteria Decision Making (MCDM) untuk mengevaluasi kesiapan digitalisasi UMKM secara objektif, konsisten, dan sistematis. Penelitian menggunakan pendekatan kuantitatif dengan metode Research and Development (R&D). Metode yang digunakan adalah kombinasi Analytic Hierarchy Process (AHP) untuk pembobotan kriteria dan Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) untuk perankingan alternatif. Penelitian ini menggunakan sembilan kriteria utama, yaitu kepemimpinan digital, infrastruktur teknologi informasi, sumber daya manusia digital, keuangan, operasional digital, digital marketing, dukungan eksternal, budaya organisasi, dan keamanan informasi. Data diperoleh dari 30 UMKM hasil observasi lapangan di daerah 3T. Model yang dikembangkan selanjutnya diimplementasikan ke dalam Sistem Penunjang Keputusan berbasis web dan diuji menggunakan Black Box Testing serta User Acceptance Testing. Hasil penelitian menunjukkan bahwa kriteria kepemimpinan digital memperoleh bobot tertinggi, dengan nilai preferensi TOPSIS tertinggi sebesar 0,796 dan terendah sebesar 0,40. Sistem yang dikembangkan mampu memberikan evaluasi yang objektif dan dapat digunakan sebagai dasar pengambilan keputusan dalam strategi digitalisasi UMKM, khususnya di daerah 3T.
Klasifikasi Risiko Penyakit Metabolik dengan model Ensemble, Decision Tree Dan Logistic Regression Pada Posbindu Universitas Gadjah Mada Muhammad Alif Taufiqurrahman; Christian Dewa Siaga Pratama
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 4 (2026): Agustus 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v13i4.9958

Abstract

Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model ensemble berbasis stacking yang mengombinasikan algoritma Decision Tree sebagai base learner dan Logistic Regression sebagai meta-learner dalam klasifikasi risiko penyakit metabolik menggunakan data Posbindu UGM. Dataset mencakup parameter kesehatan utama, antara lain tekanan darah, kadar gula darah, kolesterol, lingkar perut, dan indeks massa tubuh. Metodologi penelitian meliputi tahap pra-pemrosesan data, pembentukan label risiko berdasarkan interpretasi medis, pengembangan model klasifikasi, serta evaluasi performa menggunakan metrik accuracy, precision, recall, dan F1-score dengan pendekatan Stratified K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa model ensemble (Decision Tree + Logistic Regression) mampu mengklasifikasikan risiko penyakit metabolik secara stabil dan konsisten, dengan akurasi sebesar 94,87% dan F1-score sebesar 0,9187, serta kinerja yang sebanding atau lebih baik dibandingkan model tunggal. Analisis confusion matrix menunjukkan bahwa model ensemble lebih efektif dalam mengurangi kesalahan klasifikasi pada kelas Berisiko dan Risiko Tinggi, yang secara klinis memiliki karakteristik yang saling beririsan. Selain itu, analisis kontribusi fitur menunjukkan bahwa Indeks Massa Tubuh (IMT), kolesterol, tekanan darah, dan kadar gula darah merupakan faktor dominan dalam penentuan risiko penyakit metabolik. Penelitian ini menyimpulkan bahwa pendekatan ensemble stacking tidak hanya meningkatkan stabilitas klasifikasi, tetapi juga menghasilkan model yang interpretable dan relevan secara klinis, sehingga berpotensi mendukung pengembangan sistem deteksi dini risiko penyakit metabolik berbasis Posbindu PTM. Secara lebih luas, hasil penelitian ini berkontribusi pada penguatan implementasi Posbindu berbasis teknologi di lingkungan universitas serta mendukung kebijakan nasional dalam pengendalian penyakit tidak menular melalui pemanfaatan data kesehatan komunitas secara optimal.
Visualisasi Interaktif Disparitas Stunting Berbasis WebGIS sebagai Spatial Decision Support System di Provinsi Jawa Timur M Syauqi Haris; Wahyu Teja Kusuma; Ahsanun Naseh Khudori
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 4 (2026): Agustus 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Stunting merupakan permasalahan kesehatan masyarakat yang mendapatkan perhatian serius di Indonesia karena berdampak langsung terhadap kualitas sumber daya manusia jangka panjang. Di Provinsi Jawa Timur, keterbatasan penyajian data spasial yang masih bersifat statis pada penelitian terdahulu menjadi hambatan utama dalam memanfaatkan informasi geografis untuk proses pengambilan keputusan berbasis wilayah. Oleh karena itu, penelitian ini bertujuan untuk mengimplementasikan sistem WebGIS interaktif sebagai Spatial Decision Support System (SDSS) guna meningkatkan visualisasi, aksesibilitas, dan interpretasi informasi spasial disparitas stunting secara komprehensif. Metode pengembangan sistem menerapkan pendekatan SDLC Waterfall berbasis framework Laravel, Leaflet.js, basis data MySQL, dan format data spasial GeoJSON yang diintegrasikan secara langsung dengan hasil analisis Local Indicators of Spatial Association (LISA) dari 38 kabupaten/kota. Hasil pengujian fungsionalitas sistem melalui metode blackbox testing menunjukkan tingkat keberhasilan 100% pada seluruh kriteria pengujian, mencakup rendering peta choropleth interaktif, filtering klaster spasial, pencarian lokasi, penyajian popup informasi detail, serta dashboard peringkat wilayah. Platform WebGIS ini berhasil mentransformasikan data spasial kompleks menjadi visualisasi dinamis yang mempermudah pemangku kebijakan dalam mengidentifikasi wilayah prioritas penanganan, khususnya pada kawasan kerentanan tinggi di Madura dan Tapal Kuda. Secara keseluruhan, sistem yang dikembangkan terbukti efektif dan teruji layak dimanfaatkan sebagai alat bantu pendukung keputusan bagi pemerintah daerah dalam merencanakan kebijakan intervensi penanganan stunting secara lebih transparan, efisien, dan tepat sasaran.
Pemanfaatan Fingerprint Multi-Hash Ensemble dengan Mekanisme Veto untuk Mitigasi Fraud AI Berbasis Blockchain nawirah_athqiyah; Ali Ibrahim; Fathoni; Mgs Afriyan Firdaus
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.9732

Abstract

Proliferasi gambar hasil generasi AI seperti DALL-E, Midjourney, dan Stable Diffusion telah menciptakan ancaman serius terhadap autentikasi visual di berbagai platform digital. Kemampuan AI generatif dalam menghasilkan gambar fotorealistik membutuhkan pendekatan verifikasi yang robust dan efisien untuk memitigasi penyalahgunaan konten visual. Penelitian ini mengusulkan framework Multi-Hash Ensemble yang mengintegrasikan dua pendekatan fingerprinting, yaitu Full Image Hash Ensemble dan Hybrid Fingerprint dengan ROI Extraction, yang diperkuat oleh Veto Mechanism berbasis gradient signature, Local Binary Pattern (LBP), distribusi warna, dan shape descriptor, serta arsitektur blockchain on-chain/off-chain untuk menjamin keimutabelan data. Evaluasi dilakukan pada dataset 200 citra dari kategori face dan nature dengan 22.847 perbandingan melalui tiga skenario pengujian. Metode 1 (Full Image Hash Ensemble) menghasilkan True Acceptance Rate (TAR) 94,15%, True Rejection Rate (TRR) 98,97%, akurasi 98,43%, F1-Score 93,03%, dan Equal Error Rate (EER) 3,44%. Metode 2 (Hybrid Fingerprint) mencapai akurasi 96,71%, FAR terendah 0,68%, dan FAR nol pada mode HYBRID_ENSEMBLE untuk seluruh 3.486 pasangan imposter. Analisis sensitivitas threshold pada Metode 2 menunjukkan titik optimal pada 0,22 dengan F1-Score 85,18% dan akurasi 96,92%. Kedua metode menunjukkan ketahanan sempurna terhadap kompresi JPEG dan resize, namun memiliki kelemahan pada serangan Crop 10%. Dari aspek efisiensi blockchain, arsitektur hibrida on-chain/off-chain berhasil mereduksi data penyimpanan dari citra 2–5 MB menjadi hanya 64 byte per registrasi (rasio kompresi >99,99%), dengan estimasi biaya Gas Fee < $0,01 USD per citra pada jaringan Layer-2 (Polygon dan Arbitrum). Keimutabelan data off-chain dijamin melalui Content Hash SHA-256 yang dikunci pada blockchain, sehingga manipulasi data dapat dideteksi secara otomatis. Temuan ini menunjukkan bahwa framework yang diusulkan memberikan keseimbangan optimal antara akurasi deteksi, efisiensi penyimpanan, dan biaya operasional untuk verifikasi integritas citra digital skala besar.
Penilaian Sistem Pelayanan Pelanggan Dengan Menggunakan Cobit 2019 Domain DSS Diah Ayu Ambarsari; Sandra Jamu Kuryanti; Ade Suryadi; Cep Adiwiharja
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.9834

Abstract

CV. Jadi Jaya Printing telah memanfaatkan teknologi informasi dalam mendukung pelayanan pelanggan, namun belum memiliki pengukuran yang terstruktur mengenai tingkat kapabilitas proses pelayanan serta kesenjangan antara kondisi aktual dan target yang diharapkan. Kondisi tersebut menyebabkan perusahaan belum memperoleh gambaran yang terukur sebagai dasar dalam menentukan prioritas peningkatan kualitas pelayanan dan pengelolaan teknologi informasi. Penelitian ini bertujuan untuk mengukur tingkat kapabilitas tata kelola sistem pelayanan pelanggan, mengidentifikasi kesenjangan terhadap target organisasi, serta memberikan rekomendasi perbaikan berdasarkan framework COBIT 2019. Audit difokuskan pada domain DSS01 (Manage Operations), DSS02 (Manage Service Requests and Incidents), dan DSS03 (Manage Problems). Pengumpulan data dilakukan melalui observasi, wawancara, dan kuesioner dengan melibatkan 5 responden yang terdiri dari bagian IT, pimpinan, dan pengguna. Data dianalisis menggunakan perhitungan capability level dan gap analysis. Hasil penelitian menunjukkan bahwa nilai rata-rata capability level pada ketiga domain sebesar 4,03 dan berada pada Level 4 (Predictable Process). Hal ini menunjukkan bahwa proses pelayanan pelanggan telah dikelola secara terukur, terkontrol, dan mengikuti prosedur yang berlaku. Hasil gap analysis menunjukkan adanya kesenjangan sebesar 0,97 terhadap target Level 5 (Optimizing Process). Penelitian ini berkontribusi dengan menyediakan hasil pengukuran yang objektif mengenai kondisi tata kelola sistem pelayanan pelanggan serta rekomendasi perbaikan yang dapat digunakan sebagai dasar evaluasi dan peningkatan tata kelola teknologi informasi secara berkelanjutan.
Sistem Klasifikasi Daun Tanaman Obat dan Beracun Menggunakan Convolutional Neural Network Berbasis Raspberry Pi Aseftia Alhani; Rahmi Hidayati; Tedy Rismawan
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.9866

Abstract

Tanaman obat dan tanaman beracun seringkali menunjukkan kemiripan morfologi pada daunnya, sehingga sulit dibedakan secara visual dan meningkatkan risiko penyalahgunaan. Tujuan penelitian ini adalah untuk mengembangkan sistem klasifikasi otomatis berbasis citra daun menggunakan metode Convolutional Neural Network (CNN) yang diimplementasikan pada Raspberry Pi untuk membedakan antara tanaman obat dan tanaman beracun. Metode yang diusulkan memanfaatkan model CNN yang dilatih pada arsitektur MobileNetV2 yang dimodifikasi dengan dataset yang terdiri dari 3.200 gambar daun dari 27 kelas, termasuk 15 tanaman obat, 11 tanaman beracun, dan 1 kelas non-daun. Sistem ini dirancang menggunakan framework Flask sebagai antarmuka web, database MySQL untuk penyimpanan data, dan diintegrasikan dengan kamera RaspiCam OV5647 untuk mendukung dua mode akuisisi gambar: unggah gambar dan pengambilan gambar secara real-time. Pengujian dilakukan menggunakan 135 gambar uji, dan hasilnya menunjukkan bahwa akurasi klasifikasi mencapai 96% untuk gambar yang diunggah dan 90% untuk pengambilan gambar secara langsung. Hasil klasifikasi ditampilkan secara real-time di situs web dan disimpan dalam database sebagai riwayat klasifikasi. Temuan ini menunjukkan bahwa CNN yang dimodifikasi dapat mengklasifikasikan tanaman obat dan tanaman beracun secara otomatis, cepat, dan akurat. Sistem yang dikembangkan berpotensi untuk diterapkan di lingkungan dunia nyata sebagai solusi berbasis web, sehingga mendukung klasifikasi tanaman yang efisien dan meningkatkan keselamatan publik dalam pemanfaatan tanaman.
Analisis Komparatif IndoBERT, FinBERT, dan IndoLEM dengan Fine-Tuning untuk Klasifikasi Sentimen Berita Finansial Indonesia Naufal Latif Ramadhan; Majid Rahardi
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.9867

Abstract

Analisis sentimen berita finansial memiliki peran penting dalam mendukung pengambilan keputusan investasi di pasar modal Indonesia. Penelitian terdahulu umumnya membandingkan satu model tanpa perbandingan lintas model, sehingga rekomendasi pemilihan model masih bersifat parsial. Penelitian ini membandingkan tiga model bahasa pre-trained, yaitu IndoBERT, IndoLEM, dan FinBERT, melalui pendekatan fine-tuning untuk klasifikasi sentimen tiga kelas (positif, netral, negatif) pada berita finansial berbahasa Indonesia. Dataset terdiri dari 9.015 artikel dari empat portal keuangan, dilabeli dengan strategi hybrid weak-supervision (lexicon-based labeling dan anotasi manusia). Ketiga model dilatih dengan konfigurasi hyperparameter identik menggunakan class-weighted cross-entropy loss. Evaluasi menggunakan accuracy, macro F1-score, weighted F1-score, dan Cohen’s Kappa pada validation set held-out (N = 2.149). Hasil eksperimen menunjukkan IndoBERT-Fine-Tuned mencapai Macro F1 tertinggi sebesar (0,863), diikuti IndoLEM-Fine-Tuned (0,843) dengan perbedaan prediksi antara kedua model yang signifikan berdasarkan uji McNemar (p = 0,0002), sementara FinBERT-Fine-Tuned mengalami penurunan tajam ke (0,437), bahkan di bawah baseline klasik TF-IDF + LinearSVC (0,809). Uji McNemar dengan koreksi Bonferroni mengonfirmasi bahwa kedua model BERT bahasa Indonesia secara signifikan mengungguli FinBERT-Fine-Tuned maupun baseline klasik (p < 0,001). Evaluasi pada gold subset berlabel manusia mengindikasikan adanya kemungkinan pengaruh pola label lexicon terhadap performa model pada label training. Kontribusi utama penelitian ini adalah evaluasi komparatif IndoBERT, IndoLEM, dan FinBERT pada berita finansial Indonesia dengan konfigurasi fine-tuning yang setara, disertai uji signifikansi statistik dan evaluasi pada gold standard berlabel manusia untuk menilai keterbatasan pendekatan weak-supervision.
Analisis Komparatif Prediksi Remaining Useful Life Mesin Turbofan Menggunakan XGBoost Dan Bi-LSTM Berbasis Explainable AI Andri Laksono; Majid Rahardi
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v13i5.9868

Abstract

Prediksi Remaining Useful Life (RUL) mesin turbofan merupakan permasalahan penting dalam pemeliharaan prediktif karena kompleksitas kondisi operasi dan pola degradasi dapat memengaruhi kinerja model secara berbeda. Selain itu, penelitian pada dataset C-MAPSS umumnya mengevaluasi subset secara terbatas dan belum banyak membandingkan model tree-based dan deep learning berbasis attention secara seragam serta menganalisis konsistensi interpretasi antar-metode Explainable Artificial Intelligence (XAI). Penelitian ini bertujuan membandingkan performa eXtreme Gradient Boosting (XGBoost) dan Bidirectional Long Short-Term Memory (Bi-LSTM) berbasis attention dalam memprediksi RUL mesin turbofan pada empat subset C-MAPSS serta menganalisis kontribusi sensor menggunakan XAI. Pendekatan meliputi pelabelan RUL piecewise-linear dengan ambang 125 siklus, normalisasi condition-aware untuk subset multi-kondisi FD002 dan FD004, serta segmentasi sliding window sepanjang 30 siklus untuk Bi-LSTM. Interpretasi model dilakukan menggunakan SHAP TreeExplainer untuk XGBoost dan Integrated Gradients untuk Bi-LSTM. Hasil menunjukkan bahwa Bi-LSTM mengungguli XGBoost pada tiga dari empat subset, yaitu FD001 dengan RMSE 15,35, FD002 dengan RMSE 27,92, dan FD003 dengan RMSE 17,33. Sebaliknya, XGBoost memberikan hasil lebih baik pada subset FD004 yang paling kompleks dengan RMSE 30,22 dibandingkan 33,40 pada Bi-LSTM. Analisis konsensus XAI menunjukkan kesepakatan 80% pada subset multi-kondisi dan 20% pada subset kondisi tunggal, sedangkan sensor Ps30, NRc, Nc, dan BPR teridentifikasi sebagai indikator degradasi yang konsisten. Kontribusi penelitian ini adalah menyediakan komparasi sistematis kedua paradigma model pada seluruh subset C-MAPSS serta analisis konsensus XAI untuk mengidentifikasi konsistensi kontribusi sensor terhadap prediksi RUL.
Klasifikasi Tingkat Kemampuan Bahasa Anak Berdasarkan Sinyal EEG Menggunakan Random Forest dengan Ektraksi Fitur Wavelet Galuh Saputri; Anton Yudhana; Abdul Fadlil
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.9874

Abstract

Salah satu indikator penting dalam perkembangan kognitif anak terhadap kemampuan komunikasi, proses pembelajaran, dan literasi adalah kemampuan bahasa, tetapi pengukuran kemampuan bahasa masih sering dilakukan dengan pendekatan konvensional seperti tes akademik dan observasi yang mengarah ke subjektif dan belum bias merepresentasikan aktivitas otak secara langsung. Urgensi penelitian ini mengatasi keterbatasan subjektif konvensional menjadi pendekatan klasifikasi kategori kemampuan bahasa anak menggunakan sinyal electroencephalography (EEG).  Tujuan penelitian ini adalah mengembangkan pendekatan klasifikasi kategori kemampuan bahasa anak berbasis sinyal EEG sebagai indikator objektif menggunakan algoritma Random Forest dan ekstraksi fitur wavelet. Data EEG yang digunakan adalah Kumar EEG Imagined Speech Dataset untuk mendukung pengujian karakteristik sinyal EEG yang berkaitan dengan aktivitas bahasa dan pengembangan tahapan pengolahan serta ekstraksi fitur. Sedangkan kategori kemampuan bahasa anak dioperasionalkan berdasarkan nilai akademik bahasa anak yang diperoleh dari tiga sekolah dasar di Yogyakarta. Tahapan penelitian ini, yaitu pra-pemrosesan data, ekstraksi fitur dengan Discrete Wavelet Transform (DWT), klasifikasi menggunakan algoritma Random Forest, dan evaluasi model. Hasil penelitian ini menunjukkan performa klasifikasi yang memuaskan dengan akurasi 0.86, precision 0.89, recall 0.83, dan f1-score 0.83, Hasil penelitian ini menunjukkan adanya potensi karakteristik fitur EEG yang dapat dimanfaatkan untuk membedakan kategori kemampuan bahasa yang ditetapkan berdasarkan data nilai akademik. Penelitian ini memberikan kontribusi awal dalam menghubungkan representasi neurofisiologis sinyal EEG dengan kategori kemampuan bahasa anak melalui pendekatan machine learning.

Filter by Year

2015 2026


Filter By Issues
All Issue Vol. 13 No. 5 (2026): Oktober 2026 Vol. 13 No. 4 (2026): Agustus 2026 Vol. 13 No. 3 (2026): Juni 2026 Vol. 13 No. 2 (2026): April 2026 Vol. 13 No. 1 (2026): Februari 2026 Vol. 12 No. 6 (2025): Desember 2025 Vol. 12 No. 5 (2025): Oktober 2025 Vol. 12 No. 4 (2025): Agustus 2025 Vol 12, No 3 (2025): Juni 2025 Vol. 12 No. 3 (2025): Juni 2025 Vol 12, No 2 (2025): April 2025 Vol. 12 No. 2 (2025): April 2025 Vol 12, No 1 (2025): Februari 2025 Vol. 12 No. 1 (2025): Februari 2025 Vol 11, No 6 (2024): Desember 2024 Vol. 11 No. 6 (2024): Desember 2024 Vol. 11 No. 5 (2024): Oktober 2024 Vol 11, No 5 (2024): Oktober 2024 Vol 11, No 4 (2024): Augustus 2024 Vol. 11 No. 4 (2024): Augustus 2024 Vol. 11 No. 3 (2024): Juni 2024 Vol 11, No 3 (2024): Juni 2024 Vol 11, No 2 (2024): April 2024 Vol. 11 No. 2 (2024): April 2024 Vol 10, No 3 (2023): Juni 2023 Vol 10, No 2 (2023): April 2023 Vol 10, No 1 (2023): Februari 2023 Vol 9, No 6 (2022): Desember 2022 Vol 9, No 5 (2022): Oktober 2022 Vol 9, No 4 (2022): Agustus 2022 Vol 9, No 3 (2022): Juni 2022 Vol 9, No 2 (2022): April 2022 Vol 9, No 1 (2022): Februari 2022 Vol 8, No 6 (2021): Desember 2021 Vol 8, No 5 (2021): Oktober 2021 Vol 8, No 4 (2021): Agustus 2021 Vol 8, No 3 (2021): Juni 2021 Vol 8, No 2 (2021): April 2021 Vol 8, No 1 (2021): Februari 2021 Vol 7, No 6 (2020): Desember 2020 Vol. 7 No. 5 (2020): Oktober 2020 Vol 7, No 5 (2020): Oktober 2020 Vol 7, No 4 (2020): Agustus 2020 Vol 7, No 3 (2020): Juni 2020 Vol 7, No 2 (2020): April 2020 Vol 7, No 1 (2020): Februari 2020 Vol 6, No 6 (2019): Desember 2019 Vol 6, No 5 (2019): Oktober 2019 Vol 6, No 4 (2019): Agustus 2019 Vol 6, No 3 (2019): Juni 2019 Vol 6, No 2 (2019): April 2019 Vol 6, No 1 (2019): Februari 2019 Vol 5, No 6 (2018): Desember 2018 Vol 5, No 5 (2018): Oktober 2018 Vol 5, No 4 (2018): Agustus 2018 Vol 5, No 3 (2018): Juni 2018 Vol 5, No 2 (2018): April 2018 Vol. 5 No. 2 (2018): April 2018 Vol. 5 No. 1 (2018): Februari 2018 Vol 5, No 1 (2018): Februari 2018 Vol 4, No 5 (2017): Oktober 2017 Vol 4, No 4 (2017): Agustus 2017 Vol 3, No 6 (2016): Desember 2016 Vol 3, No 5 (2016): Oktober 2016 Vol 3, No 4 (2016): Agustus 2016 Vol 3, No 1 (2016): Februari 2016 Vol 2, No 6 (2015): Desember 2015 More Issue