cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Bahar
Contact Email
bahararahman@gmail.com
Phone
-
Journal Mail Official
puslit.stmikbjb@gmail.com
Editorial Address
-
Location
Kota banjarmasin,
Kalimantan selatan
INDONESIA
Progresif: Jurnal Ilmiah Komputer
Published by Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru
ISSN : 02163284     EISSN : 26850877     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering
Progresif: Jurnal Ilmiah Komputer adalah Jurnal Ilmiah bidang Komputer yang diterbitkan secara periodik dua nomor dalam satu tahun, yaitu pada bulan Februari dan Agustus. Redaksi Progresif: Jurnal Ilmiah Komputer menerima Artikel hasil penelitian atau atau artikel konseptual bidang Komputer.
Arjuna Subject : -
Articles 508 Documents
 47   48   49   50   51 
Prediksi Safety Stock Menggunakan Algoritma Support Vector Regression Dengan Optimasi Hyperparameter Hardika, Rianindya Chandra; Anggara, Fiky; Abrori, Mohammad Ahmad Maidanul
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3386

Abstract

Inventory management plays an essential role in ensuring smooth supply chain operations and preventing both stockouts and overstocking. One effective approach to determining the appropriate level of safety stock is the use of machine learning–based prediction methods. This study aims to predict safety stock values using the Support Vector Regression (SVR) method with hyperparameter optimization through GridSearch. The dataset used is a public bike rental dataset, which includes variables such as time, weather, season, and holidays. The research stages include data preprocessing, Exploratory Data Analysis (EDA), implementation of the SVR model, and model performance evaluation using MAE, MAPE, and R² metrics. The performance of the Support Vector Regression (SVR) algorithm with a Radial Basis Function (RBF) kernel and optimal parameters demonstrates strong predictive accuracy. Based on the Mean Absolute Percentage Error (MAPE), the model achieved prediction accuracies of 83.8%, 80.1%, and 81.7% on the training, validation, and testing datasets, respectively, indicating its effectiveness in modeling non-linear data. This model is capable of generating more precise safety stock predictions, thereby supporting decision-making in inventory planning and reducing the risk of stock shortages.Keywords: Safety Stock; Support Vector Regression; Demand Prediction; Hyperparameter Tuning AbstrakManajemen persediaan memiliki peran penting dalam menjaga kelancaran rantai pasok dan menghindari kekurangan maupun kelebihan stok. Salah satu pendekatan yang efektif untuk menentukan jumlah safety stock adalah dengan memanfaatkan metode prediksi berbasis machine learning. Penelitian ini bertujuan untuk memprediksi nilai safety stock menggunakan metode Support Vector Regression (SVR) dengan optimasi hyperparameter tuning melalui teknik GridSearch. Data yang digunakan merupakan dataset publik penyewaan sepeda yang mencakup variabel waktu, cuaca, musim, dan hari libur. Tahapan penelitian meliputi preprocessing data, analisis Exploratory Data Analysis (EDA), penerapan model SVR, serta evaluasi kinerja model menggunakan metrik MAE, MAPE, dan R². Hasil penelitian menunjukkan bahwa model SVR dengan kernel RBF dan parameter optimal menghasilkan tingkat akurasi prediksi yang baik. Berdasarkan nilai MAPE, model mencapai akurasi 83,8% pada data latih, 80,1% pada data validasi, dan 81,7% pada data uji, yang mengindikasikan kemampuan SVR dalam memodelkan data non-linear. Model ini mampu memprediksi kebutuhan safety stock lebih baik, sehingga dapat membantu pengambilan keputusan dalam perencanaan persediaan dan mengurangi risiko kekurangan stok.Kata kunci: Safety Stock; Support Vector Regression; Prediksi Permintaan; Hyperparameter Tuning
Model Aplikasi Pemesanan Menu Pada Coffee Shop Can Ngopi Andrew, Andrew; Kurniawan, Rido Dwi
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3379

Abstract

Manual ordering at Can Ngopi Coffee Shop often leads to communication errors and irregular queues, which necessitates the digitization of the service. This research aims to develop a website-based menu ordering application to improve operational efficiency. The system development used the Waterfall method, which encompasses the analysis, design, construction, and maintenance phases. Functionality validation was carried out through Black Box Testing. The test results showed that all the functionalities, such as the digital catalog and the shopping cart system, functioned effectively as required. The conclusion of the research confirms that this application effectively speeds up the transaction process, minimizes miscommunication between customers and staff, and facilitates management in monitoring sales reports in a structured manner.Keywords: Menu Ordering Application; Coffee Shop; Waterfall; Black Box Testing AbstrakPemesanan manual di Coffee Shop Can Ngopi sering memicu kesalahan komunikasi dan antrean tidak teratur, sehingga diperlukan digitalisasi layanan. Penelitian ini bertujuan membangun aplikasi pemesanan menu berbasis website untuk meningkatkan efisiensi operasional. Pengembangan sistem menggunakan metode Waterfall, meliputi tahap analisis, desain, konstruksi, hingga pemeliharaan. Validasi fungsionalitas fitur dilakukan melalui metode Black Box Testing. Hasil pengujian menunjukkan seluruh fitur, seperti katalog digital dan sistem keranjang, berjalan valid sesuai kebutuhan. Simpulan penelitian menegaskan bahwa aplikasi ini efektif mempercepat proses transaksi, meminimalisir miskomunikasi antara pelanggan dan staf, serta mempermudah manajemen dalam pemantauan laporan penjualan secara terstruktur. Kata kunci: Aplikasi Pemesanan Menu; Coffee Shop; Waterfall; Black Box Testing
Sistem Monitoring dan Kontrol Suhu Kandang Ayam Kalkun Yudha, Raka Gifaris Anega; Evanita, Evanita; Riadi, Aditya Akbar
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3236

Abstract

Turkey farming requires stable temperature and humidity management to maintain optimal growth and health. Manual monitoring often causes delays in handling environmental changes, which can reduce productivity. This study designs and implements a temperature and humidity monitoring and control system for turkey cages based on the Internet of Things (IoT). The system utilizes a NodeMCU ESP8266 microcontroller, a DHT11 sensor, and a relay module to automatically control a heating lamp according to temperature conditions. Data are transmitted to a server and displayed on a web-based dashboard accessible remotely, with additional notifications sent via WhatsApp. The development process applied a prototyping method, including hardware and software design, experiment and black-box testing. The results show that the system successfully maintains cage temperature within the ideal range of 28–32°C, displays real-time temperature and humidity data, and achieved a user satisfaction level of 91.25%. This system is considered effective in assisting farmers to monitor turkey cages more efficiently and responsively.Keywords: Internet of Things; Turkey farming; Temperature monitoring; Humidity; NodeMCU ESP8266.AbstrakPeternakan kalkun membutuhkan pengelolaan suhu dan kelembaban kandang yang stabil agar pertumbuhan dan kesehatan ternak tetap optimal. Pemantauan manual sering menimbulkan keterlambatan dalam penanganan perubahan suhu sehingga berpotensi menurunkan produktivitas. Penelitian ini merancang dan mengimplementasikan sistem monitoring serta kontrol suhu kandang kalkun berbasis Internet of Things (IoT). Sistem memanfaatkan mikrokontroler NodeMCU ESP8266, sensor DHT11, dan modul relay untuk mengendalikan lampu pemanas secara otomatis sesuai kondisi suhu. Data dikirimkan ke server dan ditampilkan pada dashboard web yang dapat diakses jarak jauh, serta dilengkapi notifikasi melalui WhatsApp. Metode pengembangan menggunakan pendekatan prototyping, meliputi perancangan perangkat keras, perangkat lunak, pengujian eksperimen dan pengujian Black box. Hasil pengujian menunjukkan sistem mampu menjaga suhu kandang dalam rentang ideal 28–32°C, menampilkan data suhu dan kelembaban secara real-time, serta memperoleh tingkat kepuasan pengguna sebesar 91,25%. Sistem ini dinilai efektif membantu peternak dalam memantau kondisi kandang kalkun secara lebih efisien dan responsif.Kata kunci: Internet of Things ; Kalkun; Monitoring suhu; Kelembaban; NodeMCU ESP8266.
Pengembangan Sistem Manajemen Indekos Griya Indira Terintegrasi WhatsApp Gateway dan Fitur Komunitas Saputra, Rizki Maulana; Jazuli, Ahmad; Wijayanti, Esti
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3504

Abstract

The reliance on manual recording in the operational management of Griya Indira has resulted in data redundancy, a high incidence of late payments, and uneven information distribution among residents. This study proposes the development of an integrated boarding house management system that synergizes the WhatsApp Gateway feature for automatic notifications with a digital community module. Utilizing the Rapid Application Development (RAD) method and Black Box Testing for functional verification, the system is designed to address administrative inefficiencies. The findings indicate that the implementation of Cron Job scheduling successfully transmits bill reminders in real-time and accurately validates digital payments. Based on functional testing results, the system is declared valid in executing centralized database mechanisms, sending automatic bill notifications on schedule, and facilitating single-door information distribution through community features according to design requirements.Keywords: Boarding House Management System; WhatsApp Gateway; Rapid Application Development; Auto-Reminder. AbstrakKetergantungan pada pencatatan manual dalam pengelolaan operasional Griya Indira berdampak pada redundansi data, tingginya insiden keterlambatan pembayaran, serta ketidakmerataan distribusi informasi kepada penghuni. Penelitian ini mengusulkan pengembangan sistem manajemen kos terintegrasi yang menyinergikan fitur WhatsApp Gateway untuk notifikasi otomatis dengan modul komunitas digital. Melalui pendekatan metode Rapid Application Development (RAD) dan verifikasi fungsional Black Box Testing, sistem dirancang untuk menangani inefisiensi administrasi. Temuan penelitian menunjukkan bahwa implementasi penjadwalan Cron Job berhasil mengirimkan pengingat tagihan secara real-time dan memvalidasi pembayaran digital secara akurat. Berdasarkan hasil pengujian fungsional, sistem dinyatakan valid dalam menjalankan mekanisme sentralisasi basis data, pengiriman notifikasi tagihan otomatis sesuai jadwal, serta memfasilitasi distribusi informasi satu pintu melalui fitur komunitas sesuai rancangan kebutuhan.Kata kunci: Sistem Manajemen Indekos; WhatsApp Gateway; Rapid Application Development; Auto-Reminder
Pemanfaatan Fitur Tambahan Emosi Untuk Deteksi Hate Speech Media Sosial Bahasa Indonesia Clement, Michael Joy; Irsyad, Hafiz
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3338

Abstract

This study examines the importance of incorporatring emotion features and enhancing the temporal robustness of hate-speech detection models to improve classification accuracy. The research aims to analyze the impact of emotion features on an IndoBERT based model and to evaluate the model’s adaptability using an unsupervised self-learning approach. The dataset consists of two corpora, a public dataset from 2019 and twitter data from 2025, each divided into training, validation, and test sets with an 80%, 10%, 10% split. Model performance is evaluated using accuracy, precision, recall and F1-score calculated from confusion matrix. Experimental results show that adding emotion features increases accuracy by 1-2% across all scenarios. In cross-temporal testing, the supervised model performance declines duet o linguistic shifts whereas the self-learning method improves accuracy up to 77.67%. These findings indicate that emotion features and self-learning effectively enhance the model’s ability to adapt to evolving language and social context.Keyword: Emotion; Hate speech detection; IndoBERT AbstrakPenelitian ini membahas pentingnya penambahan fitur emosi dan peningkatan ketahanan model deteksi ujaran kebencian terhadap perubahan bahasa lintas waktu guna memperkuat akurasi klasifikasi. Tujuan penelitian adalah menganalisis pengaruh fitur emosi pada model berbasis IndoBERT dan mengevaluasi kemampuan adaptasi model menggunakan pendekatan unsupervised self-learning. Data menggunakan dua korpus yaitu dataset publik tahun 2019 dan data Twitter tahun 2025, yang masing-masing dibagi menjadi data latih dan data latih, validasi, dan uji dengan proporsi 80%, 10%, dan 10%. Model dievaluasi menggunakan accuracy, precision, recall, dan F1-score yang dihitung melalui confusion matrix. Hasil pengujian menunjukkan bahwa penambahan fitur emosi meningkatkan akurasi sebesar 1-2% di seluruh skenario. Pada pengujian lintas waktu, performa model supervised menurun akibat perubahan konteks linguistik, namun metode self-learning meningkatkan akurasi hingga 77.67%. temuan ini menunjukkan bahwa fitur emosi dan self-learning efektif meningkatkan adaptasi model terhadap dinamika bahasa serta konteks sosial.Kata kunci: Seteksi ujaran kebencian; Emosi; IndoBERT
Penerapan Algoritma Decision Tree dalam Menentukan Kelayakan Penerima Bantuan Program Keluarga Harapan Mandala, Eka Praja Wiyata; Putri, Dewi Eka
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3494

Abstract

Determining the eligibility of beneficiaries for the Family Hope Program still faces targeting inaccuracies due to limited data analysis and subjective decision-making. This study aims to develop a Decision Tree–based classification model to objectively determine Family Hope Program eligibility using data-driven approaches. The dataset includes socio-economic attributes such as income, DTKS status, school-age children, pregnant or breastfeeding mothers, elderly members, disabilities, and occupation. The data were processed through cleaning, transformation, and splitting into training and testing sets. Experimental results show that the model achieved a highest accuracy of 96.00%, along with high precision and recall values. The resulting decision tree structure also provides interpretable rules to support decision-making. These findings demonstrate that the Decision Tree method is effective in improving the accuracy and transparency of Family Hope Program beneficiary selection.Keywords: Decision Tree; Family Hope Program; Classification; Data Mining; Social Assistance AbstrakPenentuan kelayakan penerima Program Keluarga Harapan masih menghadapi permasalahan ketidaktepatan sasaran akibat keterbatasan analisis data dan subjektivitas dalam pengambilan keputusan. Penelitian ini bertujuan mengembangkan model klasifikasi berbasis Decision Tree untuk menentukan kelayakan penerima Program Keluarga Harapan secara objektif dan berbasis data. Dataset yang digunakan mencakup atribut sosial ekonomi seperti pendapatan, status DTKS, usia sekolah, ibu hamil atau menyusui, lansia, disabilitas, dan pekerjaan. Data diproses melalui tahap pembersihan, transformasi, dan pembagian data latih dan uji. Hasil pengujian menunjukkan bahwa model mencapai akurasi tertinggi sebesar 96,00%, dengan presisi dan recall yang tinggi. Struktur pohon keputusan juga menghasilkan aturan yang mudah diinterpretasikan sebagai dasar pengambilan keputusan. Hasil ini membuktikan bahwa Decision Tree efektif untuk meningkatkan ketepatan dan transparansi penyaluran bantuan Program Keluarga Harapan.Kata kunci: Decision Tree; Program Keluarga Harapan; Klasifikasi; Data Mining; Bantuan Sosial 
Density-Based Spatial Clustering for Assessing Public Service Accessibility in Jombang Regency Lazulfa, Indana; Augusta Jannatul Firdaus, Reza; Andriani, Anita; Husein Hanafiyah, Muhammad; Karimatun Nisa', Lilis
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3248

Abstract

The problem of unequal accessibility to public services between subdistricts in Jombang can hinder medium, long-term equitable development. Good accessibility indicates justice and improvements in quality of life in the area. In some subdistricts, school and health facilities are easy to reach, whereas in other areas, mountainous regions or border areas, accessibility is very low. This study aims to map accessibility clusters, analyze the data, and provide recommendations for priority intervention area using DBSCAN. The variables include population density, ratios of health facility, education and administrative facilities per area, geospatial public datasets such as road network density, elevation/slope and rivers. The results show three accessibility clusters (high, medium, and low) with variations in geographical constraints such as hills and major rivers that affect the distribution of services. The visualization shows that low-accessibility areas are generally located in peripheral and mountainous regions, whereas high accessibility is concentrated in the regency center.Keywords: DBSCAN; Spatial clustering; Public service accessibility; Geospatial AbstrakPermasalahan ketimpangan aksesibilitas layanan publik antar kecamatan di Jombang dapat menghambat pemerataan pembangunan jangka menengah dan jangka panjang. Aksesibilitas yang baik mengindikasikan keadilan dan peningkatan kualitas hidup di wilayah tersebut. Di beberapa kecamatan, fasilitas sekolah dan kesehatan mudah dijangkau, sedangkan di daerah lain, pegunungan atau perbatasan, aksesibilitas sangat rendah. Kondisi ini menunjukkan adanya ketimpangan spasial yang perlu dianalisis lebih lanjut. Penelitian ini bertujuan untuk memetakan cluster aksesibilitas, menganalisis data hasil dan memberi rekomendasi lokasi prioritas intervensi. Clustering ini menggunakan metode DBSCAN. Variabel mencakup kepadatan penduduk, rasio fasilitas kesehatan, pendidikan, administrasi per wilayah, geospasial public dataset berupa kepadatan jaringan jalan, hambatan seperti elevasi/lereng dan sungai besar. Hasilnya terdapat tiga klaster aksesibilitas, yaitu tinggi, menengah, dan rendah, dengan variasi hambatan geografis seperti perbukitan dan sungai besar yang memengaruhi distribusi layanan. Visualisasi memperlihatkan bahwa daerah aksesibilitas rendah umumnya berada di wilayah pinggiran dan pegunungan, sedangkan aksesibilitas tinggi terkonsentrasi di pusat kabupaten.Kata kunci: DBSCAN; Spasial clustering; Aksesibilitas layanan public; Geospasial
Klasifikasi Mutu Biji Kopi Menggunakan Metode CNN-SVM Berdasarkan Cacat Fisik dan Warna Gunawan, Michael; Udjulawa, Daniel
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3344

Abstract

The determination of coffee bean quality in Indonesia is generally still done manually based on physical defects and color, which is subjective and time-consuming. This study aims to develop a digital image-based green coffee bean quality classification model using the Convolutional Neural Network and Support Vector Machine (CNN-SVM) method. CNN is used as a feature extractor with a ResNet-50 architecture, while SVM functions as a classifier using a Radial Basis Function (RBF) kernel. The dataset consists of 10 classes of coffee bean defects and is divided into 80% training data and 20% test data. The test results show an accuracy value of 77.68%, precision of 80.04%, recall of 77.15%, and f1-score of 77.47%. This approach proves that the combination of CNN and SVM can improve the accuracy and stability of the model. This finding is a novelty in the development of an efficient and objective artificial intelligence-based automatic coffee quality sorting system.Keywords: Coffee Bean Classification; CNN-SVM; ResNet-50 AbstrakPenentuan mutu biji kopi di Indonesia umumnya masih dilakukan secara manual berdasarkan cacat fisik dan warna, yang bersifat subjektif dan memerlukan waktu lama. Penelitian ini bertujuan untuk mengembangkan model klasifikasi mutu biji kopi hijau berbasis citra digital menggunakan metode Convolutional Neural Network dan Support Vector Machine (CNN-SVM). CNN digunakan untuk ekstraksi fitur dengan arsitektur ResNet-50, sedangkan SVM berfungsi untuk klasifikasi menggunakan kernel Radial Basis Function (RBF). Dataset terdiri dari 10 kelas cacat biji kopi dan dibagi menjadi 80% data latih serta 20% data uji. Hasil pengujian menunjukkan nilai akurasi sebesar 77,68%, presisi 80,04%, recall 77,15%, dan f1-score 77,47%. Pendekatan ini membuktikan bahwa kombinasi CNN dan SVM mampu meningkatkan akurasi dan stabilitas model. Temuan ini menjadi kebaruan dalam pengembangan sistem sortasi mutu kopi otomatis yang efisien dan objektif berbasis kecerdasan buatan.Kata kunci: Klasifikasi Biji Kopi; CNN-SVM; ResNet-50
Klasifikasi Penulisan Huruf Hijaiyah Menggunakan Algoritma Convolutional Neural Network Pada TPQ I’anatut Tholibin fatmarini, dini; Riadi, Aditya Akbar; Chamid, Ahmad Abdul
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3531

Abstract

This research was conducted due to difficulties in recognizing handwritten Hijaiyah letters at TPQ I’anatut Tholibin caused by variations in writing styles and similarities among letters. The study aims to develop a handwritten Hijaiyah letter classification system based on a Convolutional Neural Network (CNN) using the MobileNetV2 architecture. The research employed a Research and Development (R&D) approach, including real-time data collection from students’ handwritten samples, image preprocessing (resizing to 224×224, pixel normalization, and augmentation), model design using transfer learning, training, and testing. Model evaluation was performed using test data that were not involved in the training process, with performance assessed through a confusion matrix and metrics such as accuracy, precision, recall, and F1-score. The experimental results show that the model achieved an accuracy of 78.46% with a macro F1-score of 77.29%, indicating a reasonably good and balanced classification performance across classes. The system was implemented as a web-based application supporting real-time testing through direct writing on a digital canvas, enabling interactive classification. These findings demonstrate that MobileNetV2 is effective for handwritten Hijaiyah letter classification and has potential as an intelligent learning support tool.Keywords: Hijaiyah letters; Convolutional neural network; MobileNetV2; Image classification; Real-time systemAbstrakPenelitian ini dilakukan karena pengenalan tulisan tangan huruf hijaiyah di TPQ I’anatut Tholibin masih terkendala variasi bentuk tulisan dan kemiripan antar huruf. Penelitian ini bertujuan mengembangkan sistem klasifikasi tulisan tangan huruf hijaiyah berbasis Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Metode yang digunakan adalah Research and Development (R&D) dengan tahapan pengumpulan data tulisan tangan murid secara real-time, pra-pengolahan citra (resizing 224×224, normalisasi piksel, dan augmentasi), perancangan model dengan pendekatan transfer learning, pelatihan, dan pengujian. Pengujian dilakukan menggunakan data uji yang tidak dilibatkan dalam proses pelatihan, dengan evaluasi performa menggunakan confusion matrix dan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 78,46% dengan nilai macro F1-score 77,29%, yang menandakan performa klasifikasi yang cukup baik dan relatif seimbang antar kelas. Sistem diimplementasikan dalam aplikasi web dengan pengujian real-time melalui penulisan langsung pada kanvas digital sehingga klasifikasi dapat dilakukan secara interaktif. Temuan ini menunjukkan MobileNetV2 efektif untuk klasifikasi huruf hijaiyah tulisan tangan dan berpotensi sebagai alat bantu pembelajaran.Kata Kunci: Huruf hijaiyah; Convolutional neural network; MobileNetV2; Klasifikasi citra; Sistem realtime
Penerapan Algoritma Random Forest Berbasis Shap Feature Importance dan GridsearchCV Untuk Deteksi Phishing Pratama, Samuel Effendi; Udjulawa, Daniel
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3345

Abstract

The rapid growth of internet users in Indonesia has increased the risk of cyberattacks, particularly phishing. Phishing is a digital fraud attempt that disguises links to resemble official websites in order to steal users’ sensitive information. This study aims to develop a phishing link detection model using a machine learning approach. The dataset consists of 11,430 URL entries from Mendeley Data, including features such as URL length, suspicious symbols, and subdomain levels. The Random Forest algorithm was chosen for its ability to handle high-dimensional data and resist overfitting. Feature selection was performed using SHAP (Shapley Additive Explanations) to assess feature contributions, while model optimization was conducted with GridSearchCV. The best configuration, RF + GS + SHAP Threshold-P10, achieved an accuracy of 0.9650 and an F1-score of 0.9651, producing an accurate, efficient, and interpretable phishing detection model.Keywords: Phishing; Random Forest; GridSearchCV; SHAP; Machine Learning AbstrakPesatnya pertumbuhan pengguna internet di Indonesia meningkatkan risiko serangan siber, salah satunya phishing. Phishing merupakan upaya penipuan digital dengan menyamarkan tautan agar menyerupai situs resmi untuk mencuri informasi sensitif pengguna. Penelitian ini bertujuan membangun model deteksi tautan phishing menggunakan pendekatan machine learning. Dataset yang digunakan berisi 11.430 entri URL dari Mendeley Data, mencakup fitur seperti panjang URL, simbol mencurigakan, dan tingkat subdomain. Algoritma random forest dipilih karena mampu menangani data berdimensi tinggi serta tahan terhadap overfitting. Seleksi fitur dilakukan dengan SHAP (Shapley Additive Explanations) untuk menilai kontribusi fitur, sedangkan optimasi parameter model menggunakan GridSearchCV. Hasil penelitian menunjukkan konfigurasi RF + GS + SHAP Threshold-P10 memberikan akurasi 0,9650 dan F1-score 0,9651, menghasilkan model yang akurat, efisien, dan transparan dalam mendeteksi tautan phishing.Kata kunci: Phishing; Random Forest; GridSearchCV; SHAP; Machine Learning

Page 49 of 51 | Total Record : 508

 47   48   49   50   51 

Filter by Year

2006 2026


Reset
Filter By Issues
All Issue Vol 22, No 1 (2026): Januari Vol 21, No 2 (2025): Agustus Vol 21, No 1 (2025): Februari Vol 20, No 2: Agustus 2024 Vol 20, No 1: Februari 2024 Vol 19, No 2: Agustus 2023 Vol 19, No 1: Februari 2023 Vol 18, No 2: Agustus 2022 Vol 18, No 1: Februari 2022 Vol 17, No 2: Agustus 2021 Vol 17, No 1: Februari 2021 Vol 16, No 2: Agustus 2020 Vol 16, No 1: Februari 2020 Vol 15, No 2: Agustus 2019 Vol 15, No 1: Februari 2019 Vol 14, No 2: Agustus 2018 Vol 14, No 1: Februari 2018 Vol 13, No 2: Agustus 2017 Vol 13, No 1: Pebruari 2017 Vol 12, No 2: Agustus 2016 Vol 12, No 1: Pebruari 2016 Vol 11, No 2: Agustus 2015 Vol 11, No 1: Pebruari 2015 Vol 10, No 2: Agustus 2014 Vol 10, No 1: Pebruari 2014 Vol 9, No 2: Agustus 2013 Vol 9, No 1: Pebruari 2013 Vol 7, No 2: Agustus 2011 Vol 6, No 2: Agustus 2010 Vol 6, No 1: Pebruari 2010 Vol 4, No 1: Pebruari 2008 Vol 2, No 2: Agustus 2006 More Issue