JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM)
Journal of Information System Management (JOISM) is a peer-reviewed journal published in January and June by Informatics Management Study Program, Universitas Amikom Yogyakarta. The JOISM have scopes or research areas but are not limited to : Information Technology, Information System, E-Business / E-Commerce, Computer Science, Animation, AR / VR Application, Game, and Interactive Media.
Articles
182 Documents
<![CDATA[ASSOCIATION RULE MINING EKSTRAKSI POLA PERILAKU PENGGUNA TIKTOK SISWA SD ]]>
<![CDATA[Sopi Sopi]]>;
<![CDATA[Chandra Kirana]]>
<![CDATA[ Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/joism.2026v8i1.2528
<![CDATA[Penelitian ini didasari oleh fenomena paparan konten digital yang masif pada anak usia dini, yang memicu kekhawatiran terkait pola konsumsi konten yang tidak terkendali. Urgensi penelitian ini terletak pada pentingnya pemetaan perilaku digital siswa secara empiris guna mendukung efektivitas pengawasan orang tua dan pihak sekolah. Dengan menerapkan teknik Association Rule Mining melalui algoritma Apriori, penelitian ini mengekstraksi pola perilaku tersembunyi dari 96 responden di SD Negeri 19 Toboali. Fokus analisis diarahkan pada hubungan antara kategori konten, durasi menonton, dan jenis interaksi pengguna. Hasil penelitian menunjukkan bahwa konten hiburan (dance dan comedy) secara konsisten memicu interaksi Like pada durasi sesi pendek dengan nilai confidence mencapai 90,91%. Hal ini mengidentifikasi kecenderungan anak dalam mencari keputusan instan di media sosial. Di sisi nilai, ditemukan pola loyalitas tinggi pada konten edukasi terhadap perilaku Full Watch dengan nilai lift ratio 2,14. Temuan ini diharapkan menjadi instrumen strategis dalam merumuskan langkah literasi digital yang lebih presisi.]]>
<![CDATA[ANALISIS KOMPARATIF NAIVE BAYES, RANDOM FOREST: INDIKATOR DEPRESI TEKS PADA TWITTER ]]>
<![CDATA[Ika Sari Romadon]]>;
<![CDATA[Chandra Kirana]]>
<![CDATA[ Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/joism.2026v8i1.2547
<![CDATA[Depresi mereupakan isu kesehatan mental krusial pada remaja, di mana stigma sosial mendorong ekspresi emosional secara daring. Penelitian ini bertujuan melakukan studi komparatif antara algoritma Naïve Bayes (NB) dan Random Forest (RF) untuk mengidentifikasi model klasifikasi yang paling efektif dalam deteksi depresi berbasis teks. Data dikumpulkan melalui Twitter API (N = 100 pengguna) dengan prapemrosesan seperti normalisasi slang dan penanganan negasi, kemudian diubah menjadi vektor menggunakan TF-IDF. Hasil menunjukkan Random Forest mencapai akurasi 90%, mengungguli Naïve Bayes yang mencatat akurasi 80%. RF menunjukkan kinerja superior pada metrik diagnostik dengan F1-Score 89,3%, sementara NB memiliki Recall tinggi namun rentan terhadap False Positive. Random Forest direkomendasikan untuk sistem deteksi dini karena stabilitas akurasi dan presisi yang tinggi dalam menangani data teks media sosial yang tidak terstruktur.]]>
<![CDATA[ANALISIS SENTIMEN ULASAN FIZZO NOVEL PADA GOOGLE PLAY MENGGUNAKAN SVM ]]>
<![CDATA[Venita Amelia]]>
<![CDATA[ Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/joism.2026v8i1.2558
<![CDATA[Meningkatnya jumlah ulasan pengguna aplikasi Fizzo Novel di Google Play Store menghasilkan data teks tidak terstruktur yang sulit dianalisis secara manual. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna Fizzo Novel dengan menggunakan algoritma Support Vector Machine (SVM) melalui perbandingan linear kernel dan Radial Basis Function (RBF) kernel. Dataset yang digunakan terdiri dari 105.896 ulasan pengguna tahun 2025 yang diperoleh melalui teknik web scraping. Tahapan penelitian meliputi pre-processing, labeling data, ekstraksi fitur menggunakan TF-IDF, serta klasifikasi dan evaluasi model menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa SVM dengan RBF kernel menghasilkan kinerja terbaik dengan akurasi sebesar 85,29%, sedikit lebih tinggi dibandingkan linear kernel sebesar 84,86%. Hasil ini menunjukkan bahwa pemilihan fungsi kernel pada SVM berperan penting dalam meningkatkan akurasi analisis sentimen ulasan aplikasi digital.]]>
<![CDATA[ANALISIS SENTIMEN PENGGUNA APLIKASI iQIYI PADA GOOGLE PLAY BERBASIS SVM ]]>
<![CDATA[Wenita Amelia]]>
<![CDATA[ Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/joism.2026v8i1.2559
<![CDATA[Perkembangan teknologi digital mendorong meningkatnya jumlah ulasan pengguna pada aplikasi streaming yang merepresentasikan pengalaman dan penilaian terhadap suatu layanan. Jumlah ulasan yang tinggi menimbulkan keterbatasan dalam proses evaluasi manual sehingga diperlukan pendekatan klasifikasi sentimen berbasis komputasi. Penelitian ini bertujuan menganalisis sentimen ulasan pengguna aplikasi iQIYI pada Google Play Store tahun 2025 menggunakan algoritma Support Vector Machine (SVM). Data yang digunakan sebanyak 4.929 ulasan pengguna yang diperoleh melalui proses scraping dan diproses melalui tahap pre-processing teks serta pembobotan menggunakan metode TF-IDF. Klasifikasi sentimen dilakukan menggunakan SVM dengan linear kernel dan polynomial kernel untuk membandingkan kinerja model. Hasil penelitian menunjukkan bahwa SVM dengan linear kernel memiliki performa klasifikasi yang lebih unggul dan stabil dibandingkan polynomial kernel dengan tingkat akurasi sebesar 88,92%. Temuan ini menunjukkan bahwa linear kernel efektif digunakan dalam klasifikasi sentimen ulasan pengguna aplikasi iQIYI.]]>
<![CDATA[ANALISIS SENTIMEN ULASAN APLIKASI SNAPSEED DI GOOGLE PLAYSTORE MENGGUNAKAN NAÏVE BAYES ]]>
<![CDATA[Rahmat Arifin]]>;
<![CDATA[Chandra Kirana]]>
<![CDATA[ Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/joism.2026v8i1.2562
<![CDATA[Tujuan dalam penelitian ini adalah untuk menganalisis sentimen ulasan dari pengguna aplikasi Snapseed di Google Play Store dengan menggunakan algoritma Naïve Bayes. Ulasan yang didapat dari para pengguna mengandung informasi penting mengenai tingkat kepuasan dan kualitas pada sebuah aplikasi, namun dibutuhkan pendekatan otomatis berbasis text mining karena jumlahnya yang besar. Data penelitian yang didapat melalui proses web scraping sebanyak 1000 ulasan, lalu setelah tahap seleksi dan pra-pemrosesan dapatlah 899 data ulasan berbahasa Indonesia. Pelabelan sentimen dilakukan otomatis menurut rating pengguna menjadi sentimen positif dan negatif. Data teks direpresentasikan memakai metode pembobotan TF-IDF dan diklasifikasikan menerapkan algoritma Multinomial Naïve Bayes dengan pembagian data latih dan data uji sebesar 80:20. Hasil yang diperoleh dari penelitian membuktikan bahwa model menghasilkan akurasi sebesar 0,90 dan mampu mengklasifikasikan sentimen ulasan dengan baik, dengan sentimen positif lebih mendominasi terhadap aplikasi Snapseed. ini menandakan bahwa algoritma Naïve Bayes efektif digunakan dalam menganalisis sentimen ulasan aplikasi berbasis teks.]]>
<![CDATA[STUDI KOMPARASI SVM DAN NBC TERHADAP KLASIFIKASI SENTIMEN APLIKASI DANA ]]>
<![CDATA[Muhammad Rapi]]>;
<![CDATA[Chandra Kirana]]>
<![CDATA[ Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/joism.2026v8i1.2569
<![CDATA[Penelitian ini mengeksplorasi efektivitas komparasi antara model Support Vector Machine (SVM) dan Naïve Bayes Classifier (NBC) dalam menganalisis sentiment ulasan pengguna aplikasi DANA pada Google Play Store. Studi ini dilakukan untuk mengisi kesenjangan penelitian sebelumnya yang belum mengeksplorasi penanganan kelas opini netral secara spesifik pada objek aplikasi finansial yang sama. Sebanyak 4.800 data tekstual diproses melalui tahapan prapemrosesan sistemas, meliputi cleaning, case folding, tokenisasi, dan stemming Sastrawi. Melalui pembobotan TF-IDF yang menghasilkan 3.715 fitur unik, temuan riset mengonfirmasi dominansi SVM dengan capaian akurasi sebesar 82,29%, melampaui arsitektur NBC yang mencatatkan nilai 81,46%. Meskipun performa pada kelas positif dan negative sangat mumpuni, kedua algoritma menghadapi kendala signifikan dalam mengidentifikasi kategori netral (f1-score 0,00) akibat distribusi data yang tidak seimbang secara ekstrem. Hasil penelitian ini memberikan rekomendasi strategis bagi pengembang aplikasi dan akademisi dalam mengoptimalkan model klasifikasi sentiment pada sektor fintech.]]>
<![CDATA[IMPLEMENTASI QOS PADA JARINGAN HOTSPOT LABORATORIUM KAMPUS BERBASIS MIKROTIK ]]>
<![CDATA[Muhammad Irawan]]>;
<![CDATA[Chandra Kirana]]>
<![CDATA[ Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/joism.2026v8i1.2586
<![CDATA[Laboratorium komputer di lingkungan kampus memiliki tiga ruang laboratorium dengan total 90 komputer yang terhubung ke jaringan hotspot kampus dengan kapasitas bandwidth internet sebesar 1 Gbps. Namun, keterbatasan kemampuan perangkat router dan access point dalam menangani banyak koneksi secara bersamaan, serta belum adanya mekanisme pengelolaan bandwidth, menyebabkan distribusi bandwidth tidak merata dan kualitas sinyal WiFi tidak stabil. Kondisi ini mengakibatkan penurunan kualitas layanan seperti tingginya delay, meningkatnya packet loss, dan rendahnya throughput terutama pada saat penggunaan serentak. Penelitian ini bertujuan untuk mengimplementasikan Quality of Service (QoS) pada jaringan hotspot laboratorium kampus berbasis Mikrotik guna meningkatkan stabilitas dan pemerataan akses internet. Metode yang digunakan adalah penerapan manajemen bandwidth menggunakan teknik Simple Queue dengan algoritma Per Connection Queue (PCQ), kemudian dilakukan pengukuran parameter QoS berupa throughput, delay, jitter, dan packet loss sebelum dan sesudah implementasi. Hasil pengujian menunjukkan bahwa penerapan QoS berbasis PCQ mampu meningkatkan throughput sebesar 170%, menurunkan delay sebesar 74%, menurunkan jitter sebesar 89%, dan menurunkan packet loss sebesar 83%. Dengan demikian, penerapan QoS berbasis PCQ mampu meningkatkan kestabilan jaringan dan pemerataan bandwidth pada seluruh komputer laboratorium sehingga kualitas layanan internet menjadi lebih optimal untuk mendukung kegiatan praktikum dan pembelajaran.]]>
<![CDATA[KLASIFIKASI DAN PREDIKSI PENANGANAN ANAK TERLANTAR BERBASIS CART DAN RANDOM FOREST ]]>
<![CDATA[Dila Siti Nurfadhilah]]>;
<![CDATA[Gina Indah Permata Nastia]]>;
<![CDATA[Raden Sukmana]]>
<![CDATA[ Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/joism.2026v8i1.2607
<![CDATA[Permasalahan anak terlantar memerlukan penanganan berbasis data yang sistematis. Penelitian ini membangun model klasifikasi status penanganan anak terlantar menggunakan Decision Tree (CART) dan Random Forest yang diimplementasikan dalam dashboard interaktif. Data sintetis dihasilkan dari distribusi agregat UPTD PPSGRA Dinas Sosial Jawa Barat periode 2020-2025 menggunakan Distribution-based Synthetic Data Generator. Dataset terdiri dari 5 variabel input (lembaga, jenis kelamin, tingkat pendidikan, kondisi ekonomi, usia) untuk memprediksi status penanganan (Berhasil, Proses, Gagal). Metode supervised learning dengan pembagian 80% training dan 20% testing menghasilkan Random Forest unggul dengan accuracy 74.6%, lebih baik dari Decision Tree (71.5%). Analisis feature importance mengidentifikasi usia sebagai faktor paling dominan (48.53%), diikuti oleh lembaga penanganan (21.46%) dan tingkat pendidikan (17.86%), sementara kondisi ekonomi (6.70%) dan jenis kelamin (5.46%) menunjukkan kontribusi yang lebih rendah. Temuan bahwa usia mendominasi feature importance mengindikasikan pentingnya pendekatan age-specific dalam program intervensi anak terlantar. Dashboard berbasis Streamlit menyediakan visualisasi perbandingan model, confusion matrix, feature importance, dan prediksi real-time dengan interpretasi otomatis. Penelitian ini berkontribusi pada penerapan machine learning untuk kesejahteraan sosial dengan pendekatan privacy-preserving, menyediakan decision support system untuk Dinas Sosial dalam pengambilan keputusan berbasis data.]]>
<![CDATA[PENGEMBANGAN SISTEM INFORMASI PROMO DIGITAL MULTI-MERCHANT BERBASIS ANDROID ]]>
<![CDATA[Dennise Adrianto]]>;
<![CDATA[Feliando Feliando]]>;
<![CDATA[Joshua Jeremy]]>;
<![CDATA[Albert Leonardo]]>
<![CDATA[ Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/joism.2026v8i1.2608
<![CDATA[Perkembangan teknologi mobile meningkatkan kebutuhan masyarakat terhadap informasi promosi yang cepat dan terpusat. Namun, informasi promo yang tersebar pada berbagai media sosial dan platform digital menyebabkan pengguna harus mencari promo secara manual sehingga proses pencarian menjadi kurang efisien. Penelitian ini bertujuan mengembangkan aplikasi pencarian promo multi-merchant berbasis Android yang mampu mengintegrasikan informasi promosi dari berbagai merchant di wilayah Jakarta Barat. Metode pengembangan sistem menggunakan Waterfall yang meliputi analisis kebutuhan, perancangan sistem, implementasi, pengujian, dan pemeliharaan. Analisis kebutuhan dilakukan melalui kuesioner terhadap 100 responden. Sistem yang dikembangkan menyediakan fitur pencarian promo, filter kategori, lokasi merchant, follow merchant, dan dashboard berbasis web untuk pengelolaan promo. Hasil pengujian Black-Box menunjukkan seluruh fitur aplikasi berjalan sesuai kebutuhan dan mampu menampilkan informasi promosi secara akurat serta responsif. Aplikasi ini membantu pengguna memperoleh informasi promo secara lebih mudah, cepat, dan terpusat serta membantu merchant meningkatkan efektivitas promosi digital.]]>
<![CDATA[IMPLEMENTASI FUZZY MAMDANI UNTUK SISTEM ITEM DINAMIS PADA GIM ]]>
<![CDATA[Umar Rafi’ Besariono]]>;
<![CDATA[Umi Rosyidah]]>
<![CDATA[ Journal of Information System Management (JOISM) Vol. 8 No. 1 (2026): Juni ]]>
Publisher : <![CDATA[Universitas Amikom Yogyakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24076/joism.2026v8i1.2644
<![CDATA[Sistem item merupakan komponen penting dalam permainan yang berperan membantu pemain. Namun, sistem item yang bersifat statis cenderung gagal menyesuaikan diri dengan kemampuan dan kebutuhan pemain sehingga berisiko menciptakan pengalaman bermain yang membosankan. Penelitian ini berfokus pada perancangan dan implementasi sistem kemunculan item secara dinamis menggunakan metode logika fuzzy Mamdani pada game Guardian of Underwater. Ruang lingkup penelitian dibatasi pada penentuan kemunculan item berdasarkan kondisi pemain selama permainan berlangsung. Metode yang digunakan adalah logika fuzzy Mamdani dengan dua parameter input, yaitu persentase nyawa dan interval waktu pengumpulan objective. Proses fuzzy meliputi tahapan fuzzifikasi sampai dengan defuzzifikasi untuk menentukan jumlah dan jenis item yang muncul. Hasil pengujian menggunakan evaluasi Game Experience Questionnaire (GEQ) menghasilkan nilai rata-rata sebesar 3,52, yang menunjukkan tingkat kepuasan pemain berada pada kategori baik. Kesimpulan dari penelitian ini adalah bahwa penerapan logika fuzzy Mamdani berhasil meningkatkan adaptivitas sistem item dan memberikan pengalaman bermain yang lebih seimbang dan interaktif.]]>
