cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Hidayat
Contact Email
hidayat@email.unikom.ac.id
Phone
-
Journal Mail Official
tk@email.unikom.ac.id
Editorial Address
-
Location
Kota bandung,
Jawa barat
INDONESIA
KOMPUTIKA - Jurnal Sistem Komputer
Published by Universitas Komputer Indonesia
ISSN : 22529039     EISSN : 26553198     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering
Jurnal Ilmiah KOMPUTIKA adalah wadah informasi berupa hasil penelitian, studi kepustakaan, gagasan, aplikasi teori dan kajian analisis kritis di bidang kelimuan bidang Sistem Komputer.
Arjuna Subject : -
Articles 218 Documents
 18   19   20   21   22 
Penerapan Metode ARAS pada Sistem Pendukung Keputusan dalam Seleksi Siswa Eligibilitas Jalur SNBP Yanuar Dwianto, Mochammad; Mirantika, Nita; Trisudarmo, Ragel
Komputika : Jurnal Sistem Komputer Vol. 14 No. 2 (2025): Komputika: Jurnal Sistem Komputer
Publisher : Computer Engineering Departement, Universitas Komputer Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/komputika.v14i2.16505

Abstract

SMAN 2 Kuningan memiliki tantangan dalam menyeleksi siswa yang eligible untuk mengikuti SNBP. Proses seleksi ini penting karena sangat berpengaruh terhadap masa depan akademik siswa. Permasalahan yang terjadi di SMAN 2 Kuningan adalah proses pemeringkatan yang ada tidak dilakukan secara efisien. Guru Bimbingan Konseling (BK) melakukan pemeringkatan terhadap seluruh siswa kelas 12 dengan menggunakan nilai rapor terlebih dahulu menggunakan Microsoft Excel. Penelitian ini bertujuan untuk mengembangkan sistem pendukung keputusan (SPK) penentuan siswa eligible SNBP di SMAN 2 Kuningan menggunakan metode Additive Ratio Assessment (ARAS). Metode ARAS dipilih karena kemampuannya dalam menentukan nilai utilitas relatif dari alternatif dengan membandingkannya terhadap solusi optimal hingga menghasilkan pemeringkatan yang lebih akurat. Penelitian ini mengintegrasikan nilai rapor dan prestasi akademik maupun non-akademik dalam satu sistem untuk menghasilkan pemeringkatan secara efisien dan objektif. Hasil penelitian menunjukkan bahwa, 101 dari 251 siswa jurusan MIPA dinyatakan eligible dengan nilai tertinggi 0,9774 dan nilai terendah 0,8769. Sedangkan jurusan IPS, 44 dari 108 siswa dinyatakan eligible dengan nilai tertinggi 0,9874 dan nilai terendah 0,9004. Implementasi metode ARAS terbukti efektif dalam menghasilkan pemeringkatan yang objektif serta meningkatkan transparansi dan akuntabilitas dalam proses penentuan siswa eligible SNBP.
Perbandingan Algoritma Random Forest dan Extreme Gradient Boosting (XGBoost) dalam Klasifikasi Penyakit Gagal Jantung Anggraini, Jeni Putri; Chaya Gladys Zhafirah A; Desiani, Anita
Komputika : Jurnal Sistem Komputer Vol. 14 No. 2 (2025): Komputika: Jurnal Sistem Komputer
Publisher : Computer Engineering Departement, Universitas Komputer Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/komputika.v14i2.16618

Abstract

Heart failure is a chronic condition where the heart is unable to pump blood optimally, posing a risk of serious complications and death. Early detection is crucial to reduce these risks and can be performed using classification methods with a data mining approach. This study compares two algorithms, Random Forest and Extreme Gradient Boosting (XGBoost), to determine the best algorithm for classifying heart failure disease using two testing techniques: percentage split (80% training data, 20% testing data) and k-fold cross validation (k = 10, alternating 1 fold as test data and 9 folds as training data). The dataset consists of two classes, where 0 represents heart failure and 1 represents no heart failure. Using percentage split, XGBoost achieved an accuracy of 87.07%, while Random Forest reached 91.95%. Meanwhile, in k-fold cross validation, XGBoost achieved 96.43% accuracy, and Random Forest performed best with 98.17% accuracy. Therefore, Random Forest with k-fold cross validation is highly suitable for heart failure classification, although XGBoost also shows good performance with accuracy above 85%. For future research, it is recommended to test the algorithms on more diverse datasets to evaluate their performance across various data conditions.
Analisis Komparasi Algoritma K-Means Dan K-Medoids Dalam Segmentasi Data Untuk Strategi Promosi Mahasiswa Baru Di Universitas X Syafrudin, Teguh; Teguh Syafrudin; Arief Hermawan; Donny Avianto; Indra Maulana
Komputika : Jurnal Sistem Komputer Vol. 14 No. 2 (2025): Komputika: Jurnal Sistem Komputer
Publisher : Computer Engineering Departement, Universitas Komputer Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/komputika.v14i2.16698

Abstract

Persaingan dalam merekrut mahasiswa baru semakin ketat, sehingga perguruan tinggi memerlukan strategi promosi yang efektif dan tepat sasaran. Salah satu cara untuk meningkatkan efektivitas promosi adalah dengan melakukan segmentasi calon mahasiswa berdasarkan data penerimaan. Penelitian ini menawarkan solusi dengan membandingkan performa algoritma K-Means dan K-Medoids dalam segmentasi data Penerimaan Mahasiswa Baru (PMB) Universitas X tahun 2024. Metode yang digunakan meliputi tahapan pengumpulan data, preprocessing (pembersihan, normalisasi, dan transformasi), implementasi algoritma K-Means dan K-Medoids, serta evaluasi kualitas klaster menggunakan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa konfigurasi tiga klaster (K=3) memberikan nilai DBI terendah, dengan K-Medoids mencapai 1,038, lebih baik dibandingkan K-Means sebesar 1,059. Klaster dominan menunjukkan bahwa lulusan SMK mendominasi sebesar 40,45% dan cenderung memilih program studi Pendidikan TIK. Kontribusi penelitian ini adalah memberikan panduan bagi institusi pendidikan dalam memilih algoritma klasterisasi yang paling sesuai untuk mendukung strategi promosi yang lebih akurat, efisien, dan terarah.
Perancangan dan Implementasi Sistem Pemantauan dan Pengendalian Tanaman Aeroponik Berbasis Internet of Things Hidayat, Hidayat; Syahrul, Syahrul; Hadi, Nala Aurellia; Pratajaya, Satya Luthfi
Komputika : Jurnal Sistem Komputer Vol. 14 No. 2 (2025): Komputika: Jurnal Sistem Komputer
Publisher : Computer Engineering Departement, Universitas Komputer Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/komputika.v14i2.16966

Abstract

Pertanian aeroponik merupakan salah satu metode pertanian modern yang potensial untuk menjawab tantangan keterbatasan lahan dan kebutuhan pangan global. Pada metode ini, tanah tidak digunakan, melainkan udara dan kabut sebagai media tanam. Permasalahan utama pada sistem aeroponik adalah kebutuhan pemantauan parameter lingkungan seperti suhu, pH, dan nutrisi yang harus dijaga secara optimal. Penelitian ini menawarkan solusi berupa sistem pemantauan dan pengendalian berbasis Internet of Things (IoT) dengan mikrokontroler ESP32. Sistem dirancang melalui tahapan studi literatur, perancangan perangkat keras dan lunak, implementasi, serta pengujian kinerja. Perangkat keras terdiri atas sensor suhu, sensor pH, dan sensor TDS yang diintegrasikan dengan ESP32, sedangkan perangkat lunak menggunakan aplikasi Blynk untuk menampilkan data secara real-time melalui jaringan Wi-Fi. Hasil penelitian menunjukkan bahwa sistem mampu memantau kondisi lingkungan tanaman dengan akurasi tinggi, menampilkan data pada LCD, dan mengirimkan data ke platform berbasis web. Kontribusi penelitian ini adalah menghadirkan solusi monitoring aeroponik yang ekonomis, mudah diakses, dan mendukung konsep smart farming untuk meningkatkan produktivitas pertanian berkelanjutan.  Kata Kunci – Sistem Pemantauan; Aeroponik; Internet of Things; ESP32; Smart Farming
ANALISIS SENTIMEN PENGGUNA TWITTER MENGENAI KOTAK KOSONG DI PILKADA INDONESIA TAHUN 2024 MENGGUNAKAN ALGORITMA LSTM Rosyadi, Achmad Chikham Nouriel; Muhammad Athoillah; Fenny Fitriani
Komputika : Jurnal Sistem Komputer Vol. 14 No. 2 (2025): Komputika: Jurnal Sistem Komputer
Publisher : Computer Engineering Departement, Universitas Komputer Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/komputika.v14i2.16976

Abstract

Fenomena kotak kosong dalam Pilkada 2024 menjadi perbincangan ramai di Twitter, memunculkan pandangan pro dan kontra di masyarakat mengenai keberadaan calon tunggal yang dinilai berpotensi memengaruhi stabilitas politik di daerah. Diskusi publik di media sosial umumnya menggunakan bahasa informal, dialek bahasa daerah, serta tidak mengikuti kaidah baku, sehingga menyulitkan analisis manual dan berisiko menimbulkan bias. Maka dari itu, penelitian ini mengimplementasikan pendekatan deep learning dengan memanfaatkan model Long Short-Term Memory (LSTM) dan word embedding GloVe. Proses pelabelan dilakukan secara otomatis menggunakan Indonesia Sentiment Lexicon (INSET) untuk mengklasifikasikan sentimen masyarakat terhadap kebijakan kotak kosong berdasarkan data Twitter. Data penelitian terdiri dari 2.168 tweet yang diperoleh melalui teknik crawling, kemudian dievaluasi menggunakan metode 10-fold cross-validation. Analisis sentimen menghasilkan distribusi opini publik, yaitu 35,9% negatif, 32,8% positif, dan 31,3% netral. Hasil pengujian menunjukkan akurasi tertinggi sebesar 94,93% pada fold ke-6, dengan rata-rata akurasi keseluruhan mencapai 90,08%. Penelitian ini berkontribusi dalam pengembangan sistem analisis berbasis deep learning untuk pemantauan opini publik, serta menunjukkan potensi data media sosial sebagai sumber informasi strategis dalam memahami persepsi masyarakat terhadap fenomena politik.
Implementasi CNN untuk Sistem Absensi Wajah di Madrasah Diniyah Indah Puji Astuti; Farah Afi Febriyanti; Ismail Abdurrozzaq Zulkarnain
Komputika : Jurnal Sistem Komputer Vol. 14 No. 2 (2025): Komputika: Jurnal Sistem Komputer
Publisher : Computer Engineering Departement, Universitas Komputer Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/komputika.v14i2.17490

Abstract

Proses absensi manual di lingkungan pendidikan, khususnya Madrasah Diniyah, sering menimbulkan permasalahan seperti lambatnya pencatatan, adanya potensi kesalahan, serta kerentanan terhadap manipulasi data. Untuk mengatasi hal tersebut, penelitian ini bertujuan mengembangkan sistem absensi otomatis berbasis pengenalan wajah menggunakan metode Convolutional Neural Network (CNN). Sistem dirancang dengan memanfaatkan library OpenCV untuk pengolahan citra dan framework TensorFlow dalam bahasa pemrograman Python untuk pembangunan serta pelatihan model CNN. Dataset wajah siswa dikumpulkan secara langsung sebagai data pelatihan, kemudian model diuji pada kondisi  cahaya terang, cahaya redup,  jarak dekat, jarak sedang, dan sudut wajah miring guna mengukur akurasi sistem. Hasil penelitian menunjukkan bahwa sistem mampu melakukan identifikasi wajah secara real-time dengan tingkat akurasi rata-rata 86%, precision 87.5%, recall 85.2%, dan F1-score 86.3%. Model CNN yang digunakan terdiri atas tiga lapisan konvolusi dan dua lapisan pooling, dengan konfigurasi yang dioptimalkan untuk kondisi lingkungan madrasah. Kontribusi utama penelitian ini adalah menghadirkan solusi absensi yang efisien, akurat, dan kontekstual terhadap kebutuhan lembaga pendidikan keagamaan. Kata Kunci – Absensi Otomatis; Face Recognition; Convolutional Neural Network; OpenCV 
Prediksi Peminatan Studi Lanjut Menggunakan Metode Decision Tree Irmayanti, Hani; Nurhayati, Sri; Lisandira, Haikal; Faturahman Hakim, Muhamad Irvan
Komputika : Jurnal Sistem Komputer Vol. 14 No. 2 (2025): Komputika: Jurnal Sistem Komputer
Publisher : Computer Engineering Departement, Universitas Komputer Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/komputika.v14i2.17702

Abstract

Penelitian ini bertujuan untuk mengembangkan model prediksi minat studi lanjut ke perguruan tinggi menggunakan metode Decision Tree. Pemilihan jurusan sering kali dipengaruhi berbagai factor seperti prestasi akademik, minat pribadi, ekstrakurikuler, dan tes psikologi. Sekolah menghadapi tantangan dalam memberikan bimbingan yang tepat, sehingga Penerapan teknologi machine learning ini diharapkan dapat menjadi Solusi. Metode Decision Tree dipilih karena kemampuannya menangani data kategorikal dan numerik secara simultan. Data penelitian diperoleh dari salah satu SMA di kota Bandung, yang mencakup nilai akademik, minat siswa, ekstrakurikuler, dan hasil tes psikologi. Hasil penelitian menunjukan model yang dibangun memiliki kinerja yang baik dengan dengan akurasi mencapai 78%. Nilai precision dan recall yang seimbang pada kedua kelas (Teknik dan Non-Teknik) menunjukkan keandalan model dalam memprediksi minat siswa. Kontribusi penelitian ini yaitu menyediakan alat bantu bagi Sekolah dan Siswa untuk mendapatkan rekomendasi jurusan kuliah yang lebih terarah dan Objektif, sehingga meningkatkan kualitas pengambilan Keputusan.
Perbandingan Kinerja CNN dan LSTM untuk Klasifikasi Penyakit Paru Berdasarkan Suara Pernapasan Elysa Magrisia Herdiani; Fauzi, Ahmad; Wijonarko, Bambang
Komputika : Jurnal Sistem Komputer Vol. 14 No. 2 (2025): Komputika: Jurnal Sistem Komputer
Publisher : Computer Engineering Departement, Universitas Komputer Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/komputika.v14i2.17960

Abstract

Penyakit paru masih menjadi permasalahan kesehatan global dengan angka kasus dan kematian yang terus meningkat, sementara metode diagnosis konvensional seperti auskultasi manual masih bersifat subjektif terhadap keahlian tenaga medis. Penelitian terdahulu menunjukkan hasil yang tidak konsisten dalam menentukan arsitektur deep learning terbaik untuk klasifikasi suara pernapasan, disertai keterbatasan dataset yang tidak seimbang dan belum adanya validasi statistik. Samanta dan Mandala melaporkan keunggulan CNN, sedangkan Zhang, P. dkk menemukan LSTM lebih unggul. Hal ini menunjukkan perlunya evaluasi yang lebih komprehensif. Sebagai tindak lanjut, penelitian ini bertujuan mengkaji performa CNN dan LSTM dengan mempertimbangkan keseimbangan kelas melalui stratified sampling dan class weighting, serta menilai signifikansi perbedaan performa menggunakan paired-sample t-test. Hasil menunjukkan bahwa CNN secara signifikan lebih unggul dengan akurasi rata-rata 88,20% dibandingkan LSTM sebesar 71,23% (p < 0,05). Selain itu, model CNN mencapai akurasi 86% pada independent test set, sedangkan LSTM mencapai akurasi 66%. Kontribusi utama penelitian ini adalah penerapan pendekatan evaluasi model yang lebih komprehensif melalui uji statistik dan mengembangkan sistem deteksi dini penyakit paru non-invasif yang efisien dan aplikatif melalui implementasi berbasis Streamlit. Kata Kunci – CNN, Klasisikasi, LSTM, Penyakit Paru, Suara Pernapasan. 

Page 22 of 22 | Total Record : 218

 18   19   20   21   22 

Filter by Year

2012 2025


Reset
Filter By Issues
All Issue Vol. 14 No. 2 (2025): Komputika: Jurnal Sistem Komputer Vol. 14 No. 1 (2025): Komputika: Jurnal Sistem Komputer Vol. 13 No. 2 (2024): Komputika: Jurnal Sistem Komputer Vol. 13 No. 1 (2024): Komputika: Jurnal Sistem Komputer Vol. 12 No. 2 (2023): Komputika: Jurnal Sistem Komputer Vol. 12 No. 1 (2023): Komputika: Jurnal Sistem Komputer Vol 12 No 1 (2023): Komputika: Jurnal Sistem Komputer Vol 11 No 2 (2022): Komputika: Jurnal Sistem Komputer Vol 11 No 1 (2022): Komputika: Jurnal Sistem Komputer Vol 10 No 2 (2021): Komputika: Jurnal Sistem Komputer Vol 10 No 1 (2021): Komputika: Jurnal Sistem Komputer Vol 9 No 2 (2020): Komputika: Jurnal Sistem Komputer Vol 9 No 1 (2020): Komputika: Jurnal Sistem Komputer Vol 8 No 2 (2019): Komputika: Jurnal Sistem Komputer Vol 8 No 1 (2019): Komputika: Jurnal Sistem Komputer Vol 7 No 2 (2018): Komputika: Jurnal Sistem Komputer Vol 7 No 1 (2018): Komputika: Jurnal Sistem Komputer Vol 6 No 2 (2017): Komputika: Jurnal Sistem Komputer Vol. 6 No. 1 (2017) Vol. 3 No. 1 (2014) Vol 3, No 1 (2014) Vol. 2 No. 2 (2013): Komputika Vol. 2 No. 1 (2013): Komputika Vol. 1 No. 2 (2012) Vol. 1 No. 1 (2012) More Issue