cover
Contact Name
Terttiaavini
Contact Email
avini.saputra@yahoo.com
Phone
-
Journal Mail Official
avini.saputra@yahoo.com
Editorial Address
-
Location
Kota palembang,
Sumatera selatan
INDONESIA
Jurnal Informatika Global
ISSN : 2302500X     EISSN : 24773786     DOI : -
Core Subject : Science,
Journal of global informatics publish articles on architectures from various perspectives, covering both literary and fieldwork studies. The journal, serving as a forum for the study of informatics, system information, computer system, informatics management, supports focused studies of particular themes & interdisciplinary studies in relation to the subject. It has become a medium of exchange of ideas and research findings from various traditions of learning that have interacted in the scholarly manner as well become an effort to disseminate on computer research to the International community.
Arjuna Subject : -
Articles 264 Documents
Optimalisasi Model Credit Scoring Menggunakan Algoritma Logistic Regression Dan Decision Tree Gald Teary, Muhammad
Jurnal Ilmiah Informatika Global Vol. 16 No. 3: December 2025
Publisher : UNIVERSITAS INDO GLOBAL MANDIRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jiig.v16i3.6511

Abstract

This research aims to evaluate and compare two popular machine learning algorithms, Logistic Regression and Decision Tree, in the context of credit scoring. The focus is on optimizing these models using techniques such as regularization, ensemble methods, and data balancing. The study emphasizes the challenges of data imbalance and multicollinearity in credit scoring, which can affect the accuracy of predictions. Logistic Regression, optimized with LASSO regularization, and Decision Tree, optimized with AdaBoost, were evaluated based on various performance metrics such as accuracy, precision, recall, F1-score, and ROC-AUC. The results indicate that Logistic Regression performed better in terms of accuracy, precision, and ROC-AUC, while Decision Tree with AdaBoost demonstrated superior recall, making it more effective in detecting high-risk borrowers. Additionally, the application of SMOTE (Synthetic Minority Over-sampling Technique) improved the models' ability to predict minority class outcomes, though it caused a slight reduction in precision for Logistic Regression. The findings suggest that Logistic Regression is ideal for institutions prioritizing model interpretability and stability, while Decision Tree with AdaBoost is better suited for those focusing on detecting at-risk borrowers in imbalanced datasets. This research contributes to the field of credit scoring by providing insights into the application of machine learning algorithms and optimization techniques in financial institutions.
Aplikasi Monitoring Aset Wisma Atlet Palembang Saputra, Agung; Di Kesuma, Hendra; Macellina, Dona
Jurnal Ilmiah Informatika Global Vol. 16 No. 3: December 2025
Publisher : UNIVERSITAS INDO GLOBAL MANDIRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jiig.v16i3.6649

Abstract

Monitoring aset merupakan serangkaian aktivitas yang dikaitkan dengan pengidentifikasian seluruh aset yang dimiliki. Kehadiran teknologi komputer dengan kekuatan prosesnya telah memungkinkan pengembangan sistem informasi manajemen berbasis komputer. Dengan memanfaatkan teknologi komputer, didapat manfaat berupa kemudahan menyimpan data, mengolah data, dan mengidentifikasi data. Wisma Atlet Palembang saat ini belum memiliki sistem yang terintegrasi dalam pengelolaan aset. Pengelolaan aset sudah dilakukan menggunakan komputer tetapi belum terkomputerisasi, sehingga sering terjadinya masalah seperti sulitnya melakukan pendataan aset itu baik, memonitoiring kondisi aset seperti jadwal pemeliharan dan perbaikan. Aplikasi Monitoring Aset Wisma Atlet Palembang ini bertujuan memberikan kemudahan dalam memonitoring aset serta menyusun laporan data aset. Hasil dari penelitian ini yaitu Aplikasi Monitoring Aset Wisma Atlet Palembang yang dibuat diharapkan nantinya memiliki kelebihan antaran lain memberikan kemudahan dalam memonitoring data aset. Selain itu sistem memiliki kemampuan seperti kecepatan, ketepatan dan keakuratan proses dalam mengelola data dan laporan
Sistem Pendukung Keputusan Pemilihan Karyawan Terbaik Menggunakan Metode MABAC pada PT. Adyawinsa Telecommunications & Electrical Hariyansa, Meru; Saluza, Imelda; Dhamayanti, Dhamayanti; Fadhiel Alie, Muhammad
Jurnal Ilmiah Informatika Global Vol. 16 No. 3: December 2025
Publisher : UNIVERSITAS INDO GLOBAL MANDIRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jiig.v16i3.6826

Abstract

Pemilihan karyawan terbaik di PT. Adyawinsa Telecommunications & Electrical selama ini dilakukan secara subjektif oleh manajer tanpa transparansi, sehingga berpotensi menimbulkan kecemburuan dan penurunan motivasi kerja. Penelitian ini bertujuan merancang sistem pendukung keputusan (SPK) untuk pemilihan karyawan terbaik menggunakan metode Multi-Attributive Border Approximation Area Comparison (MABAC) yang dikombinasikan dengan pengembangan perangkat lunak berbasis Agile. Sistem dirancang dengan lima kriteria: kemampuan bekerja, produktivitas, absensi, kedisiplinan, dan lama bekerja, dengan bobot ditentukan melalui wawancara dengan manajemen. Implementasi teknis dilakukan menggunakan framework Laravel, PHP, dan MySQL, serta antarmuka pengguna yang responsif. Pengujian sistem menggunakan metode black box testing menunjukkan bahwa seluruh fungsi sistem berjalan sesuai spesifikasi, dan hasil perhitungan MABAC menghasilkan rekomendasi karyawan terbaik yang objektif dan transparan. Sistem ini juga menyediakan fitur historis berbasis bulan dan tahun untuk pelacakan tren kinerja karyawan. Dengan demikian, penelitian ini tidak hanya menjawab kebutuhan praktis perusahaan dalam meningkatkan akuntabilitas proses seleksi, tetapi juga memperkaya penerapan metode MABAC dalam konteks manajemen sumber daya manusia di Indonesia.
Analisis Sentimen Rebranding Aplikasi Cici Menjadi Dola Pada Google Play Store Menggunakan Metode Indobert KHOLIK, ABDUL; Dzulfikar Fauzi, Muhammad; Di Kesuma, Hendra
Jurnal Ilmiah Informatika Global Vol. 16 No. 3: December 2025
Publisher : UNIVERSITAS INDO GLOBAL MANDIRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jiig.v16i3.6828

Abstract

Transisi identitas merek atau rebranding merupakan langkah strategis yang dapat mempengaruhi persepsi dan kepuasan pengguna secara signifikan. Penelitian ini bertujuan untuk menganalisis sentimen pengguna Google Play Store terhadap rebranding aplikasi asisten AI "Cici" menjadi "Dola" menggunakan data komentar review aplikasi pada November 2025. Mengingat kompleksitas bahasa ulasan yang seringkali menggunakan bahasa tidak baku dan sarkasme, penelitian ini menerapkan model deep learning IndoBERT (Bidirectional Encoder Representations from Transformers untuk Bahasa Indonesia). Dataset penelitian terdiri dari 1.869 ulasan yang diklasifikasikan ke dalam tiga kategori: positif, netral, dan negatif. Metodologi penelitian meliputi scraping data, normalisasi teks, dan fine-tuning model IndoBERT base-p2. Hasil penelitian menunjukkan bahwa model IndoBERT mencapai tingkat akurasi keseluruhan sebesar 0,88 dengan performa paling dominan pada sentimen positif (F1-score 0,93). Namun, model mengidentifikasi tantangan pada kelas negatif, di mana terdapat 119 ulasan negatif yang salah terdeteksi sebagai positif akibat adanya ambiguitas linguistik dan kerinduan pengguna terhadap identitas merek lama. Temuan ini menyimpulkan bahwa meskipun sebagian besar pengguna menerima identitas baru Dola, terdapat resistensi merek yang perlu dikelola melalui strategi edukasi fitur yang lebih baik.