cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Fitrianingsih
Contact Email
infokom@gunadarma.ac.id
Phone
+6221-78881112 ext. 516
Journal Mail Official
infokom@gunadarma.ac.id
Editorial Address
Jalan Margonda Raya 100
Location
Kota depok,
Jawa barat
INDONESIA
Jurnal Ilmiah Informatika Komputer
Published by Universitas Gunadarma
ISSN : 08538638     EISSN : 20898045     DOI : http://dx.doi.org/10.35760/ik
Core Subject : Science,
Computer Science & IT Decision Sciences, Operations Research & Management
This journal is published periodically three times a year, April, August, and December. It publishes a broad range of research articles on Information Technology and Communication, whether in Indonesian Language or English.
Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi
Articles 288 Documents
 25   26   27   28   29 
MODEL ALGORITMA KNN UNTUK PREDIKSI KELULUSAN MAHASISWA STIKOM CKI Tiara Ratu Alifia; Tundo Tundo; Muhammad Syazidan; Faldo Satria
Jurnal Ilmiah Informatika Komputer Vol 29, No 2 (2024)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2024.v29i2.11803

Abstract

This study develops a student graduation prediction model using the K-Nearest Neighbor (KNN) algorithm, considering variables such as age, Grade Point Average (GPA), number of Credits Earned (CE), participation in TOEFL tests, seminar activities, and participation in internships. Data from 80 students in the computer engineering and information systems programs at STIKOM Cipta Karya Informatika were analyzed to train and test the model. The results show that the KNN model with K=3, K=4, and K=5 produces a prediction accuracy of 66,67%. GPA and the number of credits earned significantly influence graduation, while participation in internships and TOEFL tests also contribute. Seminar certificates and age have a lower impact. These findings indicate that the KNN algorithm is effective for predicting student graduation, providing insights for educational institutions to enhance academic programs and student development.
PERBANDINGAN KLASIFIKASI KERUSAKAN JALAN MODEL CNN VGG19 DAN RESNET50 Revanza Raditya Putra Yanni; Iffatul Mardhiyah; Dyah Cita Irawati; Rifki Kosasih; Dyan Prawita Sari
Jurnal Ilmiah Informatika Komputer Vol 30, No 1 (2025)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2025.v30i1.14230

Abstract

Masalah kerusakan jalan pada jalan utama adalah salah satu gangguan saat berkendara dan dapat menyebabkan kecelakaan. Identifikasi kerusakan jalan masih dilakukan secara manual oleh pemerintah daerah dengan penyisiran jalan. Penggunaan teknologi kecerdasan buatan untuk identifikasi kerusakan jalan, sangat diperlukan. Algoritma CNN dapat melakukan identifikasi dan klasifikasi kerusakan jalan. Beberapa arsitektur pada CNN yang sering digunakan untuk klasifikasi diantaranya VGG19 dan ResNet50. Penelitian ini bertujuan untuk mengetahui perbandingan klasifikasi antara VGG19 dan ResNet50 pada kerusakan jalan. Perbandingan dilakukan dengan membedakan jumlah epochnya untuk setiap arsitektur. Jumlah dataset yang digunakan sebanyak 1656 citra. Model yang dibentuk bertujuan mengklasifikasikan kerusakan jalan menjadi tiga klasifikasi yaitu, kerusakan_besar, kerusakan_sedang, dan kerusakan_kecil. Jumlah epoch yang digunakan pada model adalah sebesar 10, 50, dan 100. Hasil dari penelitian arsitektur VGG19 dengan epoch 10 mendapatkan akurasi sebesar 79%, epoch 50 sebesar 73%, dan epoch 100 sebesar 76%. Arsitektur ResNet50 memperoleh hasil akurasi sebesar 75% dengan epoch 10, untuk epoch 50 sebesar 78%, dan epoch 100 sebesar 79%. Kesimpulan penelitian perbandingan klasifikasi kerusakan jalan, VGG19 dapat mengklasifikasikan lebih baik jika proses pelatihan yang lebih sederhana, sedangkan ResNet50 dapat melakukan klasifikasi lebih baik jika proses pelatihan yang lebih kompleks.
Front Matter Jurnal Ilmiah Informatika Komputer Vol. 29 No. 2, Agustus 2024 Editorial Jurnal Ilmiah Informatika Komputer
Jurnal Ilmiah Informatika Komputer Vol 29, No 2 (2024)
Publisher : Universitas Gunadarma

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

Abstract

TINJAUAN LITERATUR SISTEMATIS PENDEKATAN DEEP LEARNING UNTUK DETEKSI DAN PERHITUNGAN POHON KELAPA SAWIT Raden Gafur Wijayanto; Reza Fauzi; Anton Satria Prabuwono
Jurnal Ilmiah Informatika Komputer Vol 30, No 1 (2025)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2025.v30i1.14007

Abstract

Kelapa sawit merupakan komoditas utama dalam industri perkebunan yang membutuhkan manajemen efektif, terutama dalam pendeteksian dan penghitungan pohon guna meningkatkan produktivitas dan efisiensi operasional. Pendekatan manual memiliki keterbatasan dalam akurasi dan efisiensi, sehingga deep learning menjadi solusi yang menjanjikan. Penelitian ini menerapkan metode Systematic Literature Review (SLR) untuk mengidentifikasi teknik terbaru dalam deteksi dan penghitungan pohon kelapa sawit menggunakan citra penginderaan jauh. Dari 15 artikel yang dianalisis (2019–2024), berbagai metode ditemukan, termasuk Multi-level Attention Domain Adaptation Network (MADAN), Multi-class Oil Palm Detection Approach (MOPAD), YOLO, CNN, ANN, dan ResNet, dengan sumber data dari Google Earth, citra satelit, serta UAV. YOLOv4 mencatat F1-Score tertinggi 97,74%, sedangkan ANN mencapai akurasi 98,29%. Pemanfaatan UAV terbukti meningkatkan akurasi deteksi dibandingkan citra satelit. Tantangan utama meliputi kebutuhan dataset berkualitas tinggi, variabilitas kondisi lingkungan, serta integrasi ke dalam sistem manajemen perkebunan. Studi ini menyimpulkan bahwa deep learning efektif dalam otomatisasi deteksi dan penghitungan pohon kelapa sawit, namun optimalisasi model dan pengembangan teknik baru masih diperlukan untuk meningkatkan akurasi serta penerapan dalam skala industri guna mendukung pertanian presisi dan keberlanjutan sektor perkebunan
ANALISIS KECURANGAN DALAM MENGHADAPI PENIPUAN DI SITUS E-COMMERCE MENGGUNAKAN RANDOM FOREST ; PENDEKATAN MACHINE LEARNING BERBASIS AI Ummi Kolbia; Nova Dahliyanti
Jurnal Ilmiah Informatika Komputer Vol 29, No 2 (2024)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2024.v29i2.11787

Abstract

In this rapidly growing digital era, the phenomenon of e-commerce has become a major highlight, the rapid growth of e-commerce has attracted more and more users. However, cases of sophisticated and dynamic fraud are increasing as the volume of transactions increases. This phenomenon not only poses a risk of financial loss for buyers and sellers but also threatens the trust that is so important in the e-commerce industry. To solve this problem, the author uses a random Forest AI-based Machine Learning approach in analyzing and finding fraud patterns to deal with fraud on e-commerce sites. The Random Forest model was chosen because of its excellent ability to handle complex e-commerce transaction data, including the ability to find non-linear patterns, its resistance to overfitting, and its scalability on large datasets. This model is expected to identify suspicious fraud patterns in e-commerce transactions. The method will involve data processing, feature selection, and model training using a dataset that includes ecommerce transactions. The results of this research are expected to contribute to a better understanding of fraud on e-commerce sites in the face of future fraud. Effective fraud detection is also expected to reduce the losses caused by fraud on e-commerce sites and protect users from the risk of fraud.
MEATCHECK: DETEKSI KUALITAS DAGING SAPI BERBASIS MOBILE DEEP LEARNING Muh. Wildan Mauludy; Goenawan Brotosaputro; Mardi Hardjianto
Jurnal Ilmiah Informatika Komputer Vol 30, No 1 (2025)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2025.v30i1.14265

Abstract

Beef is an important foodstuff that affects consumer satisfaction and market value in the meat industry. The purpose of this research is to develop a model to classify beef quality using the transfer learning method. The data collection method is carried out through taking pictures of beef, which are then labeled based on their quality. Classification uses a transfer learning architecture that can improve the performance of the machine learning model generated for the classification of fresh and rotten meat. The model was tested by looking at accuracy, precision, recall, and f1-score. The results showed an accuracy of 61%, precision of 60.78%, recall of 61%, and an f1-score of 60.89%, which was achieved with a learning rate of 0.1, 10 epoch, and batch size of 8. Conclusion, the model developed with the transfer learning algorithm MobileNetV2 was able to classify the quality of beef with a good level of accuracy. The prototype of the developed system can provide real-time predictions, help consumers choose quality meat, and increase market value. Next, it is recommended to increase accuracy and develop models by increasing the size of the dataset and exploring other, more complex architectures.
A Secure Geotagging Authentication Mechanism Using EXIF Metadata for Digital Public Works and Spatial Planning Office Complaint Platforms Wahyudi, Yasyfa Xena Arleyda; Hayati, Lilis Nur; Abdullah, Syahrul Mubarak
Jurnal Ilmiah Informatika Komputer Vol 30, No 2 (2025)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2025.v30i2.14667

Abstract

Sistem pengaduan publik di lembaga pemerintah daerah sering menghadapi tantangan seperti laporan yang tidak valid, proses verifikasi manual yang lambat, dan ketiadaan integrasi lokasi pelapor. Untuk mengatasi masalah tersebut, studi ini mengembangkan sistem informasi pengaduan publik berbasis web untuk Kantor PUPR Kota Baubau dengan menerapkan mekanisme validasi otomatis menggunakan metadata EXIF yang tertanam dalam foto pengaduan. Sistem ini dikembangkan menggunakan pendekatan Waterfall yang memungkinkan proses perancangan berjalan terstruktur dan terdokumentasi dengan baik. Fitur utamanya mencakup validasi otomatis lokasi dan waktu pengambilan foto, penolakan laporan tidak valid, deteksi format dan ukuran file, serta antarmuka responsif tanpa kebutuhan login. Setiap pengaduan yang berhasil dikirimkan juga akan otomatis masuk ke email petugas terkait untuk mempercepat tindak lanjut. Hasil pengujian fungsional menggunakan metode black box menunjukkan seluruh fitur berjalan sesuai spesifikasi, sementara uji beta menghasilkan skor rata-rata 3,43 dan indeks kepuasan sebesar 85,75% yang tergolong Sangat Baik. Temuan ini menunjukkan bahwa sistem mampu menyaring laporan tidak relevan, mempercepat verifikasi, meningkatkan keakuratan data, serta mendukung akses publik melalui perangkat seluler dan desktop.
Apa yang Mendorong Pengguna Untuk Mengadopsi Centralized Exchange (CEX)? Tinjauan Literatur Sistematis Menggunakan Metode PRISMA Steven, Liauwnad; Lisana, Lisana
Jurnal Ilmiah Informatika Komputer Vol 30, No 2 (2025)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35760/ik.2025.v30i2.14639

Abstract

Centralized Exchange (CEX) adalah perantara yang dikelola oleh entitas terpusat, yang menawarkan platform yang aman dan mudah digunakan untuk perdagangan aset kripto. Meskipun adopsi CEX terus berkembang, khususnya di Indonesia, pemahaman sistematis tentang faktor-faktor yang memengaruhi niat pengguna untuk menggunakan platform ini masih terbatas. Studi ini melakukan Tinjauan Literatur Sistematis untuk mengidentifikasi, mengklasifikasikan, dan menganalisis faktor-faktor niat perilaku terhadap penggunaan CEX dari tahun 2015 hingga 2025. Dengan memanfaatkan kerangka kerja PRISMA 2020, tinjauan ini mengintegrasikan artikel yang bersumber dari Scopus, PubMed, dan Web of Science menggunakan kombinasi kata kunci yang tervalidasi. Sebanyak 27 studi relevan diidentifikasi setelah menerapkan kriteria inklusi dan eksklusi. Analisis tersebut mengungkapkan semakin banyaknya minat penelitian yang dimulai sejak tahun 2018 dan terus bertambah hingga sekarang, dengan konsentrasi studi di Asia, khususnya di Tiongkok dan India. Sebagian besar penelitian menggunakan model seperti Technology Acceptance Model (TAM), Unified Theory of Acceptance and Use of Technology (UTAUT), dan Theory of Planned Behaviour (TPB). Tinjauan sistematis ini mengidentifikasi bahwa faktor-faktor utama yang dieksplorasi dalam berbagai penelitian adalah persepsi risiko, kepercayaan, kesadaran, kemudahan penggunaan, dan sikap pengguna. Namun, masih terdapat kesenjangan penelitian dalam bidang-bidang seperti pengalaman emosional, pengaruh sosial, dan konteks regulasi di berbagai wilayah geografis. Tinjauan pustaka ini memberikan pemetaan komprehensif dari distribusi penelitian terkini dan mengusulkan arah untuk eksplorasi masa depan dalam domain bursa mata uang kripto terpusat.

Page 29 of 29 | Total Record : 288

 25   26   27   28   29 

Filter by Year

2006 2025


Reset
Filter By Issues
All Issue Vol 30, No 2 (2025) Vol 30, No 1 (2025) Vol 29, No 3 (2024) Vol 29, No 2 (2024) Vol 29, No 1 (2024) Vol 28, No 3 (2023) Vol 28, No 2 (2023) Vol 28, No 1 (2023) Vol 27, No 3 (2022) Vol 27, No 2 (2022) Vol 27, No 1 (2022) Vol 26, No 3 (2021) Vol 26, No 2 (2021) Vol 26, No 1 (2021) Vol 25, No 3 (2020) Vol 25, No 2 (2020) Vol 25, No 1 (2020) Vol 24, No 2 (2019) Vol 24, No 3 (2019) Vol 24, No 1 (2019) Vol 23, No 3 (2018) Vol 23, No 2 (2018) Vol 23, No 1 (2018) Vol 22, No 3 (2017) Vol 22, No 2 (2017) Vol 22, No 1 (2017) Vol 21, No 3 (2016) Vol 21, No 2 (2016) Vol 21, No 1 (2016) Vol 20, No 2 (2015) Vol 20, No 1 (2015) Vol 19, No 3 (2014) Vol 14, No 2 (2009) Vol 14, No 1 (2009) Vol 13, No 3 (2008) Vol 13, No 1 (2008) Vol 12, No 3 (2007) Vol 12, No 1 (2007) Vol 11, No 3 (2006) Vol 11, No 2 (2006) Vol 11, No 1 (2006) More Issue