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
Penerapan Algoritma Random Forest untuk Klasifikasi Risiko Usaha UMKM Berdasarkan Faktor Keuangan, Operasional, dan Pemasaran M. Imam Santoso; Asha Sembiring; Alfan Ramadhan
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.v15i5.10138

Abstract

Usaha Mikro, Kecil, dan Menengah (UMKM) menghadapi risiko usaha yang berkaitan dengan faktor keuangan, operasional, dan pemasaran. Penelitian ini bertujuan mengklasifikasikan risiko usaha UMKM menjadi kategori risiko rendah dan tinggi menggunakan algoritma Random Forest. Data yang digunakan berupa dataset sintetis UMKM dari Kaggle dengan jumlah 150.000 data berdasarkan pembagian data yang dilaporkan. Tahapan prapemrosesan meliputi pemeriksaan nilai yang hilang, transformasi data, serta pembentukan target Risk dari atribut Class. Kategori Growth dan Elite dipetakan sebagai risiko rendah, sedangkan Struggling dan Critical dipetakan sebagai risiko tinggi. Dataset dibagi secara terstratifikasi menjadi 120.000 data latih (80%) dan 30.000 data uji (20%). Model menggunakan 100 pohon keputusan dan dievaluasi melalui akurasi, precision, recall, F1-score, serta confusion matrix. Pengujian awal menghasilkan akurasi sebesar 100%, dengan precision, recall, dan F1-score masing-masing sebesar 1,00 pada kedua kelas. Sebanyak 19.174 data risiko rendah dan 10.826 data risiko tinggi diklasifikasikan dengan benar. Namun, hasil tersebut belum dapat menunjukkan kemampuan generalisasi model karena atribut Class yang membentuk target masih digunakan sebagai prediktor, sehingga terjadi kebocoran informasi target. Oleh karena itu, klaim keberhasilan model belum dapat ditetapkan sebelum pelatihan dan pengujian ulang tanpa atribut Class. Penggunaan data sintetis juga membatasi penerapan temuan, sehingga diperlukan validasi pada data UMKM riil.
Prediksi Tingkat Kecanduan Media Sosial pada Remaja Menggunakan Berbagai Algoritma Machine Learning untuk Klasifikasi Multikelas Egi Safitri; Rini Nurlistiani; Nurjoko
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.v15i5.10139

Abstract

Penggunaan media sosial yang berlebihan berkaitan dengan gangguan tidur, kondisi psikologis, aktivitas akademik, dan hubungan sosial pada remaja akhir serta dewasa muda. Penelitian ini bertujuan membandingkan kinerja Decision Tree, Random Forest, dan Support Vector Machine (SVM) linear dalam mengklasifikasikan tingkat kecanduan media sosial menggunakan dataset Students’ Social Media Addiction. Analisis menggunakan 704 observasi setelah satu dari dua baris dengan nilai prediktor yang sama dikeluarkan. Berdasarkan Addicted_Score,data dikelompokkan menjadi kategori low(≤5), medium (6–8),  dan  high (>8). Student_ID dan Addicted_Score tidak disertakan sebagai prediktor. Data dibagi secara terstratifikasi menjadi 563 observasi latih dan 141 observasi uji. Pengodean kategorikal dan standardisasi fitur untuk SVM dilakukan melalui pipeline, dengan parameter transformasi yang ditentukan hanya dari bagian pelatihan. Pemilihan model didasarkan pada rerata macro F1-score validasi silang lima lipatan. Random Forest memperoleh nilai tertinggi sebesar 0,9708 ± 0,0292, diikuti SVM sebesar 0,9701 ± 0,0165 dan Decision Tree sebesar 0,9334 ± 0,0513. Pada data uji, Random Forest mencapai akurasi 97,87% dan macro F1-score 0,9836, sedangkan Decision Tree menghasilkan macro F1-score tertinggi sebesar 0,9889 dengan akurasi 98,58%. Ketiga model mengenali seluruh 11 observasi kategori high. Random Forest dipilih berdasarkan hasil validasi silang, meskipun selisihnya dengan SVM sangat kecil dan keunggulan statistiknya belum diuji. Hasil penelitian menunjukkan kemampuan model dalam mengklasifikasikan kategori skor pada dataset yang digunakan. Pengujian pada data independen dan verifikasi pembentukan skor diperlukan sebelum model dikembangkan sebagai alat skrining.
Klasifikasi Jejak Bau Rokok pada Napas Berdasarkan Interval Waktu Pasca-Merokok Menggunakan Electronic Nose dan Pembelajaran Mesin Ifnu Wisma Dwi Prastya; Mula Agung Barata; Dwi Issadari Hastuti; Rahmat Tegar Patriot Hari Lambang; Muhammad Ahsanul Fikri
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.v15i5.10146

Abstract

Paparan asap rokok di rumah tangga merupakan faktor risiko bronkopneumonia pada balita, sementara anggapan bahwa napas perokok aman setelah jeda singkat belum diuji pada menit-menit awal pasca-merokok dengan perangkat berbiaya rendah. Penelitian ini menguji electronic nose (E-Nose) berbasis empat sensor gas semikonduktor seri MQ untuk mengklasifikasikan jejak bau rokok pada napas ke dalam empat kelas: perokok 0, 1, dan 10 menit setelah menghabiskan satu batang rokok filter, serta non-perokok. Data berasal dari 12 responden (6 perokok, 6 non-perokok) dengan satu sesi perekaman per responden. Pra-pemrosesan terbaik (Z-Score dan Wavelet Transform) dan ekstraksi ciri statistik per jendela menghasilkan 112 sampel dengan 24 fitur. Random Forest, K-Nearest Neighbor, XGBoost, dan stack deep neural network dievaluasi dengan validasi antar-sesi leave-one-session-out sebagai ukuran utama dan Stratified K-Fold (k=5) tingkat jendela sebagai pembanding. Pada validasi antar-sesi, akurasi tertinggi 74,11% dicapai K-Nearest Neighbor, sedangkan Random Forest mencapai 59,82%, jauh di bawah akurasinya pada Stratified K-Fold (94,64%) yang terbukti terlalu optimistis karena jendela dari sesi yang sama masuk ke data latih dan data uji. Random Forest tetap memisahkan napas perokok dan non-perokok tanpa kesalahan pada kedua skema, tetapi pembedaan lama jeda waktu belum dapat digeneralisasi ke responden baru. Kontribusi utama penelitian ini adalah bukti awal kelayakan E-Nose berbiaya rendah untuk penapisan keberadaan jejak rokok pada napas serta penegasan pentingnya validasi berbasis responden. Dengan dua responden per interval, temuan ini masih bersifat pembuktian konsep.
Facial Recognition System Based on YOLOv5, FaceNet, and Anti-Spoofing Mechanisms for Room Security Resti Marlin; Hariyanto
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.v15i5.10151

Abstract

Physical security in restricted areas requires fast, accurate access control capable of preventing presentation attacks. This study develops an intelligent room access control system integrating Deep Learning and anti-spoofing mechanisms. The system employs YOLOv5 for precise face detection, followed by feature extraction using FaceNet and dimensionality reduction via Principal Component Analysis (PCA) to 50 principal components. To prevent spoofing via printed photos or recorded videos, eye-blink detection using MediaPipe Face Mesh and Eye Aspect Ratio (EAR) is implemented. System monitoring and access logs are managed centrally via an SQLite database with automated web server notifications. The dataset comprises 50 recognized employee subjects (12 training and 3 testing photos per subject) alongside unregistered guest samples. Experimental results demonstrate that the system achieves high verification accuracy with an Euclidean distance threshold of 0.75, operating stably within a distance of 50 cm to 150 cm and under lighting conditions between 350 and 450 lux. Furthermore, the system demonstrates high resilience in mitigating photo and video presentation attacks under evaluated configurations. However, operational limitations occur at distances exceeding 200 cm or under low-light/infrared conditions (< 10 lux) with heavy facial occlusions, yielding inconsistent results. In conclusion, the proposed system successfully enhances physical security standards for restricted rooms under controlled operational conditions.
D Decision Tree-Based Classification of Guimaras Mango Varieties Using Fruit and Stone Attributes with the J48 Algorithm Rifqi Faiza Mohammad; Fajar Delli Wihartiko; Gustian Rahmaputra; Adrian J. Forca
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.v15i5.10156

Abstract

Guimaras mango varieties have overlapping physical characteristics that complicate manual identification. This exploratory study compares three J48 decision-tree configurations using 11 recorded observations (one per variety) and 17 candidate predictors describing fruit and stone attributes in WEKA. Model A uses pruning with a confidence factor of 0.25 and a minimum leaf size of two; Model B uses the same confidence factor with a minimum leaf size of one; Model C is unpruned with a minimum leaf size of one. The trees contain 7, 19, and 22 nodes, with 5, 13, and 15 leaves, respectively. Peel color is the root attribute in all three configurations; subsequent splits also use fruit weight, flesh color, peel thickness, shape, and, in Model C, peel texture. Evaluation on the training observations produces 45.45% accuracy (5/11) for Model A and 100% (11/11) for Models B and C. These are resubstitution results, not validated estimates of performance on unseen specimens. Stone predictors were available but were not selected in the fitted trees. This study demonstrates interpretable, parameter-sensitive descriptions of the recorded classes; independently replicated fruit samples are needed before generalization or practical varietal authentication can be established.
The Impact Of Academic Administration Service Quality Levels On Student Satisfaction At Politeknik Gihon Pematangsiantar Delima Simatupang; Abdul Meizar; Heri Gunawan
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.v15i5.10208

Abstract

Academic administration services support students through course registration, access to grade records, and the processing of academic documents. This study examines the association between academic administration service quality and student satisfaction at Politeknik Gihon Pematangsiantar and discusses its implications for academic information systems. A quantitative, cross-sectional observational design was used, with a census covering all 65 students. Data were collected using a closed-ended Likert-type questionnaire comprising 10 service-quality items and six satisfaction items. The analysis included item-validity assessment, internal-consistency reliability, simple linear regression, a coefficient t-test, and the coefficient of determination. All 16 items exceeded the reported validity threshold of 0.2441. Cronbach’s alpha values were 0.841 for service quality and 0.811 for student satisfaction. The regression equation was Y = 2.234 + 0.534X, with t = 11.859 and p < 0.001, indicating a statistically significant positive association. The model reported R = 0.831 and R² = 0.691, meaning that service quality explained 69.1% of the observed variance in satisfaction, while 30.9% remained unexplained. These findings do not establish causality because the study used cross-sectional, self-reported data from a single institution. Verification of the remaining residual diagnostics is also required. The findings inform candidate priorities for academic information systems, including online registration, access to academic records, document-request tracking, and consistent service information. These priorities are recommendations for future development and evaluation; no administration application was developed or evaluated in this study.
Implementation of Machine Learning for Student Sentiment Analysis as a Basis for Evaluating the Quality of Educational Services at Private Higher Education Institutions in Padang Lawas Muhammad Efendi Hasibuan; Muhammad Syahputra Novelan
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.v15i5.10214

Abstract

The quality of educational services is an important factor in improving student satisfaction and institutional competitiveness in higher education. Student opinions and experiences provide valuable information for evaluating the effectiveness of academic and non-academic services. However, student feedback is often collected and analyzed manually, making it difficult to identify sentiment patterns and extract meaningful insights efficiently. This study aims to analyze student sentiment regarding the quality of educational services at private higher education institutions in Padang Lawas using machine learning techniques. The research focuses on classifying student opinions into positive, negative, and neutral sentiments to identify perceptions of educational services. The research stages include data collection from student reviews and feedback, text preprocessing, feature extraction, sentiment classification, and model evaluation. Machine learning algorithms will be applied to classify sentiment, while performance will be measured using accuracy, precision, recall, and F1-score. The results are expected to provide an overview of student perceptions of educational services and identify aspects that require improvement. Furthermore, the findings are expected to support data-driven decision-making in evaluating service quality, improving academic administration, and developing student-centered educational policies. This study is expected to contribute to the application of machine learning in higher education evaluation and provide practical recommendations for improving educational service quality at private higher education institutions in Padang Lawas.
Pengembangan dan Evaluasi Awal Platform Sirkula untuk E-Commerce UMKM Berbasis Prinsip Ekonomi Sirkular Erwin Sirait; Andi Setiadi Manalu; Tri Endang Priatni Purba
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.v15i5.10231

Abstract

Perdagangan elektronik memperluas jangkauan pasar usaha mikro, kecil, dan menengah (UMKM), tetapi platform yang tersedia umumnya hanya mencatat penjualan. Informasi bahan produk, pengembalian barang, tindak lanjut perbaikan atau daur ulang, dan estimasi emisi belum terhubung dalam satu catatan yang dapat ditelusuri. Penelitian ini bertujuan mengembangkan platform Sirkula dan mengevaluasi kelayakan teknis awalnya menggunakan enam tahap Design Science Research Methodology. Platform dibangun sebagai aplikasi web dengan tiga peran pengguna dan model data yang memisahkan empat atribut sirkular dari status publikasi, menautkan setiap retur ke item pesanan, serta menyimpan faktor emisi bersama satuan, sumber, dan versinya. Evaluasi teknis meliputi pengujian perilaku, peramban, kontrol akses, penerimaan, aksesibilitas, dan rekonsiliasi laporan. Hasilnya, 69 dari 69 pengujian perilaku (tiga kali eksekusi ulang) dan 40 dari 40 pengujian peramban lulus, 33 dari 34 kasus penerimaan lulus penuh (97,06%) dengan satu kasus lulus sebagian, dan 13 dari 15 kasus aksesibilitas dan data contoh lulus dengan dua kegagalan. Total tiga pesanan sintetis sebesar 510.000 rupiah sesuai dengan laporan transaksi tanpa filter. Temuan ini hanya menunjukkan kelayakan teknis awal, yaitu bahwa transaksi dan pencatatan sirkular dapat diintegrasikan secara konsisten di lingkungan uji lokal. Seluruh data masih berupa data uji, kebutuhan belum divalidasi bersama UMKM, dan katalog belum dikurasi bersama produsen, sehingga dampak terhadap pendapatan, limbah, dan emisi belum dapat disimpulkan.
Analisis Kontribusi Fitur Bertahap dan Stabilitas Penjelasan SHAP pada Prediksi Risiko Diabetes Menggunakan XGBoost Juni Ismail; Raja Anan Nasution; Muhammad Nasri Gea; Evi Handayani
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.v15i5.10234

Abstract

Model prediksi diabetes berbasis data tabular kerap dilaporkan dengan akurasi di atas 96%, padahal rendahnya prevalensi kasus membuat akurasi tersebut condong pada kelas mayoritas. Selain itu, fitur non-invasif dan penanda diagnostik umumnya digabungkan dalam satu model, sementara penjelasan SHAP jarang diuji kestabilannya. Penelitian ini bertujuan mengukur kontribusi marginal setiap kelompok fitur sekaligus menguji stabilitas penjelasan model. Sebanyak 96.128 rekam data dengan prevalensi diabetes 8,82% dimodelkan dalam empat tahap fitur, yaitu demografi dan riwayat penyakit (T0), penambahan indeks massa tubuh (T1), glukosa darah (T2), dan HbA1c (T3). XGBoost yang dioptimasi dengan Optuna dibandingkan dengan ResMLP dan FT-Transformer melalui validasi silang berulang 5×3 serta data uji terpisah, dengan AUPRC, balanced accuracy, dan Brier score sebagai metrik utama. AUPRC XGBoost mencapai 0,266; 0,325; 0,713; dan 0,889 untuk T0 hingga T3, dan setiap kenaikan antartahap signifikan (uji t terkoreksi, p < 0,001). Glukosa darah memberikan kenaikan AUPRC terbesar (0,389), sedangkan kontribusi usia menyusut dari 58,9% menjadi 12,7%. Peringkat fitur SHAP tetap stabil (Kendall τ = 0,93–1,00; Jaccard tiga fitur teratas = 1,0) walaupun kinerja model berbeda jauh antartahap. XGBoost setara dengan model deep learning pada T0–T1, unggul pada T2–T3, dan lebih terkalibrasi. Audit menemukan 23,1% label tidak sesuai ambang ADA, dan seluruh kesalahan T3 berada pada zona label tidak konsisten. Fitur non-invasif berpotensi menjadi alat triase, sedangkan diagnosis membutuhkan penanda glikemik; temuan dari data publik berpola sintetis ini memerlukan validasi klinis eksternal.

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