cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Abd. Charis Fauzan
Contact Email
fauzancharis@gmail.com
Phone
+6287750503014
Journal Mail Official
-
Editorial Address
Jl. Masjid Nomor 22 Kota Blitar, Jawa Timur
Location
Kab. blitar,
Jawa timur
INDONESIA
ILKOMNIKA: Journal of Computer Science and Applied Informatics
Published by Universitas Nahdlatul Ulama Blitar
ISSN : -     EISSN : 27152731     DOI : https://doi.org/10.28926/ilkomnika
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management
ILKOMNIKA: Journal of Computer and Applied Informatics is is a peer reviewed open-access journal. The journal invites scientists and engineers throughout the world to exchange and disseminate theoretical and practice-oriented topics of computer science and applied informatics which covers five (5) majors areas of research that includes 1) Informatics Engineering and Its Application 2) Computer Science 3) Software Engineering 4) Computer Engineering 5) Information System. This journal is published 3 issues a year, in April, August, and December.
Arjuna Subject : Ilmu Komputer (semua kategori) - Aplikasi Ilmu Komputer
Articles 215 Documents
 18   19   20   21   22 
Pemantauan Keamanan Real-Time pada Base Transceiver Station (BTS) Menggunakan YOLOv8 dan Integrasi Telegram: Optimasi Model dan Evaluasi Performa Sobirin, Muhammad; Wijonarko, Panji
ILKOMNIKA Vol 7 No 3 (2025): Volume 7, Number 3, December 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v7i3.824

Abstract

Infrastruktur Base Transceiver Station (BTS) memiliki peran vital dalam telekomunikasi namun menghadapi risiko keamanan fisik yang tinggi, seperti pencurian dan vandalisme, yang dapat mengganggu ketersediaan jaringan. Metode pemantauan manual yang ada saat ini dinilai tidak efisien karena membutuhkan sumber daya intensif dan memiliki latensi respon yang tinggi terhadap pelanggaran keamanan. Penelitian ini mengusulkan optimalisasi sistem pengawasan otomatis real-time menggunakan algoritma Deep Learning YOLOv8 yang terintegrasi dengan notifikasi IoT berbasis Telegram. Empat varian arsitektur model (YOLOv8n, YOLOv8n-p2, YOLOv8n-p6, dan YOLOv8s) dievaluasi secara komparatif menggunakan metrik mean Average Precision (mAP), F1-score, dan kecepatan inferensi (Frames Per Second/FPS). Evaluasi dilakukan menggunakan Human Dataset yang terdiri dari 17.300 citra dengan pelatihan pada platform Google Colab dan pengujian pada perangkat edge NVIDIA Jetson Nano. Hasil eksperimen menunjukkan adanya trade-off signifikan antara akurasi dan kecepatan; YOLOv8s mencapai akurasi tertinggi dengan mAP@0.5 sebesar 61,4%, namun dengan kecepatan inferensi rendah (9,67 FPS). Sebaliknya, YOLOv8n menawarkan keseimbangan optimal dengan mAP@0.5 sebesar 59,3% dan kecepatan tertinggi mencapai 22,02 FPS. Sementara itu, varian modifikasi YOLOv8n-p2 (14,84 FPS) dan YOLOv8n-p6 (21,18 FPS) menunjukkan kemampuan kompetitif dalam menangani variasi skala objek namun tidak melampaui efisiensi YOLOv8n. Secara praktis, penelitian ini merekomendasikan implementasi YOLOv8n pada perangkat edge berdaya rendah karena kemampuannya memproses video secara real-time dan mengirimkan peringatan dini via Telegram secara instan, sehingga secara signifikan meningkatkan responsivitas sistem keamanan BTS.
Deep Learning‑Based Sentiment Classification on Category Service and Resolution of Consumer Complaints in Digital Banking Kusuma, Irnayanti Dwi; Fatichah, Chastine
ILKOMNIKA Vol 7 No 3 (2025): Volume 7, Number 3, December 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v7i3.825

Abstract

The growth of digital banking in Indonesia has transformed customer interactions. It emphasizes the need to understand user sentiment and feedback. This study aims to analyze public perceptions of the Jenius digital banking application through sentiment analysis using deep learning methods enhanced by easy data augmented (EDA). The dataset written in Indonesian related to Jenius from Twitter. Data collected between August 2016 and August 2024 were manually annotated for sentiment polarity (positif, netral, negatif) and complaint handling categories (edukasi, konsultasi, fasilitasi, none). The EDA technique was used to enhance linguistic diversity and reduce class imbalance before training two deep learning models, Bidirectional Long Short-Term Memory (BiLSTM) and Convolutional Neural Network (CNN). The results show that EDA + BiLSTM achieved an accuracy of 0.68, whereas EDA + CNN obtained 0.66. BiLSTM slightly outperforms CNN across precision, recall, and F1-score. These findings indicate that both models effectively handle augmented data, with the BiLSTM model demonstrating a better contextual understanding of Bahasa Indonesia. The integration of EDA significantly improves the robustness and performance of the model in sentiment and aspect-based classification. This study highlights the potential of EDA as a simple yet effective method for enhancing deep learning models.
Sistem Rekomendasi Destinasi Wisata Menggunakan Data Demografis Berbasis Klasifikasi Support Vector Machine A'yun, Aldilla Qurrata; Arif, Yunifa Miftachul; ., Muhammad Imamudin
ILKOMNIKA Vol 7 No 3 (2025): Volume 7, Number 3, December 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v7i3.826

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi destinasi wisata berbasis data demografis menggunakan metode klasifikasi Support Vector Machine (SVM). Sistem dirancang untuk memberikan rekomendasi destinasi yang sesuai dengan karakteristik wisatawan, seperti usia, jenis kelamin, dan status sosial. Dataset yang digunakan terdiri dari sepuluh variabel demografis dan empat belas kategori destinasi wisata. Analisis awal menunjukkan bahwa dataset memiliki ketidakseimbangan kelas yang sangat tinggi, dengan kelas Jatim Park 1 mendominasi lebih dari separuh data sementara banyak kelas lain hanya memiliki 1–6 sampel. Untuk mengurangi dampak ketidakseimbangan ini, dilakukan teknik oversampling pada data training. Model SVM kemudian dilatih menggunakan beberapa kombinasi parameter dan kernel, serta diuji menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa pada data training yang sudah diseimbangkan, performa model meningkat signifikan, ditunjukkan oleh nilai F1-macro pada cross-validation sebesar 0.84. Namun, ketika diuji pada data testing yang mencerminkan kondisi distribusi asli, performa model menurun, dengan akurasi sebesar 54% dan nilai F1-macro yang rendah pada sebagian besar kelas minoritas. Temuan ini menunjukkan bahwa meskipun SVM efektif pada data yang seimbang, performanya masih belum optimal pada dataset rekomendasi wisata yang sangat timpang. Penelitian ini merekomendasikan pengayaan data, terutama untuk kelas-kelas minoritas, serta eksplorasi metode penanganan ketidakseimbangan kelas lainnya pada penelitian lanjutan.
Implementasi Sistem Penjaminan Mutu Eksternal Berbasis Website Menggunakan Pendekatan Evolutionary Prototype Taqiyuddin, Muhammad Akmal Faris; Anugrah, Indra Gita; Witra, Widyasari Puspa Permata
ILKOMNIKA Vol 7 No 3 (2025): Volume 7, Number 3, December 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v7i3.834

Abstract

Universitas memikul tanggung jawab penting dalam menjaga standar pendidikan melalui mekanisme penjaminan mutu yang efektif. Dalam proses akreditasi program studi, dokumen seperti Laporan Kinerja Program Studi (LKPS) dan Laporan Evaluasi Diri (LED) harus disusun secara sistematis. Namun, belum terdapat solusi Sistem Penjaminan Mutu Eksternal (SPME) yang iteratif dan adaptif untuk mendukung pengelolaan dokumen, pemantauan performa mutu, serta verifikasi pemenuhan kriteria akreditasi secara terintegrasi. Penelitian ini bertujuan membangun SPME berbasis web menggunakan pendekatan Evolutionary Prototype yang memungkinkan pengembangan sistem secara bertahap berdasarkan umpan balik pengguna. Sistem diuji menggunakan Black Box Testing dengan 31 skenario uji yang melibatkan beberapa stakeholder (Dekan, Ketua Program Studi, DPM (Asesor)) untuk memvalidasi fungsionalitas sistem. Hasil pengujian menunjukkan bahwa semua skenario uji berjalan sesuai expected result, sistem menghasilkan laporan yang sistematis, dan memudahkan pengawasan performa mutu secara real-time. Prototype sistem ini berhasil mendemonstrasikan kemampuan dalam mendukung penjaminan mutu eksternal dan mempercepat proses pengumpulan serta pelaporan data akreditasi. Kontribusi praktis penelitian ini adalah pengurangan waktu dalam penyusunan LKPS karena data dapat diakses dan diolah secara digital, meningkatkan produktivitas dan akurasi pelaporan, serta meminimalkan kesalahan manual dalam pengolahan data akreditasi.
A Comparative Study of Extractive and Generative Approaches for Indonesian Meeting Minutes Summarization Harliana, Harliana; Sismoro, Heri
ILKOMNIKA Vol 7 No 3 (2025): Volume 7, Number 3, December 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v7i3.846

Abstract

This study compares extractive and generative approaches for automatic summarization of Indonesian meeting minutes. Our main scientific contribution is an empirical claim that, under strict zero-shot conditions and without domain adaptation, simple extractive baselines are more reliable than off-the-shelf generative models in preserving both decision content and meeting-context cues (actors/roles). We evaluate three extractive baselines (Lead-3, Random-Extract, TextRank-Simple) against an Indonesian GPT-2 model tested under multiple decoding configurations and an mT5 sequence-to-sequence model in a zero-shot setting. Experiments utilize 30 manually curated meeting minutes. The dataset size is intentionally limited because meeting minutes are heterogeneous and require carefully constructed reference summaries to ensure evaluation validity; the study is positioned as a controlled diagnostic comparison rather than a training or adaptation effort. Performance is measured using ROUGE-1/2/L, summary–to–reference length ratios, simple audits of gender and professional role mentions, correlations between decoding parameters and ROUGE, and paired t-tests. Results show that extractive methods achieve higher and more stable ROUGE scores than zero-shot generative models. TextRank-Simple and Random-Extract perform best, while all GPT-2 configurations remain substantially lower, and mT5 zero-shot fails to align with references. Decoding parameters exhibit only weak correlations with generative performance, and paired t-tests confirm statistically significant differences (p < 0.05). Overall, extractive approaches remain the most dependable choice without in-domain fine-tuning, while generative models are more suitable with adaptation or hybrid strategies.This study compares extractive and generative approaches for automatic summarization of Indonesian meeting minutes. Our main scientific contribution is an empirical claim that, under strict zero-shot conditions and without domain adaptation, simple extractive baselines are more reliable than off-the-shelf generative models in preserving both decision content and meeting-context cues (actors/roles). We evaluate three extractive baselines (Lead-3, Random-Extract, TextRank-Simple) against an Indonesian GPT-2 model tested under multiple decoding configurations and an mT5 sequence-to-sequence model in a zero-shot setting. Experiments utilize 30 manually curated meeting minutes. The dataset size is intentionally limited because meeting minutes are heterogeneous and require carefully constructed reference summaries to ensure evaluation validity; the study is positioned as a controlled diagnostic comparison rather than a training or adaptation effort. Performance is measured using ROUGE-1/2/L, summary–to–reference length ratios, simple audits of gender and professional role mentions, correlations between decoding parameters and ROUGE, and paired t-tests. Results show that extractive methods achieve higher and more stable ROUGE scores than zero-shot generative models. TextRank-Simple and Random-Extract perform best, while all GPT-2 configurations remain substantially lower, and mT5 zero-shot fails to align with references. Decoding parameters exhibit only weak correlations with generative performance, and paired t-tests confirm statistically significant differences (p < 0.05). Overall, extractive approaches remain the most dependable choice without in-domain fine-tuning, while generative models are more suitable with adaptation or hybrid strategies.

Page 22 of 22 | Total Record : 215

 18   19   20   21   22 

Filter by Year

2019 2025


Reset
Filter By Issues
All Issue Vol 7 No 3 (2025): Volume 7, Number 3, December 2025 Vol 7 No 2 (2025): Volume 7, Number 2, August 2025 Vol 7 No 1 (2025): Volume 7, Number 1, April 2025 Vol 6 No 3 (2024): Volume 6, Nomor 3, Desember 2024 Vol 6 No 2 (2024): Volume 6, Nomor 2, Agustus 2024 Vol 6 No 1 (2024): Volume 6, Nomor 1, April 2024 Vol 5 No 3 (2023): Volume 5, Nomor 3, Desember 2023 Vol 5 No 2 (2023): Volume 5, Nomor 2, Agustus 2023 Vol 5 No 1 (2023): Volume 5, Nomor 1, April 2023 Vol 4 No 3 (2022): Volume 4, Nomor 3, Desember 2022 Vol 4 No 2 (2022): Volume 4, Nomor 2, Agustus 2022 Vol 4 No 1 (2022): Volume 4, Nomor 1, April 2022 Vol 3 No 3 (2021): Volume 3, Nomor 3, Desember 2021 Vol 3 No 2 (2021): Volume 3, Nomor 2, Agustus 2021 Vol 3 No 1 (2021): Volume 3, Nomor 1, April 2021 Vol 2 No 3 (2020): Volume 2, Nomor 3, Desember 2020 Vol 2 No 2 (2020): Volume 2, Nomor 2, Agustus 2020 Vol 2 No 1 (2020): Volume 2, Nomor 1, April 2020 Vol 1 No 2 (2019): Volume 1, Nomor 2, Desember 2019 Vol 1 No 1 (2019): Volume 1, Nomor 1, Agustus 2019 More Issue