cover
Contact Name
Rachmat Destriana
Contact Email
jika@ft-umt.ac.id
Phone
+6281905055649
Journal Mail Official
jika@umt.ac.id
Editorial Address
Jl. Perintis Kemerdekaan I No. 33 Babakan Tangerang
Location
Kota tangerang,
Banten
INDONESIA
JIKA (Jurnal Informatika)
ISSN : 25490710     EISSN : 27222713     DOI : http://dx.doi.org/10.31000/jika.v4i1.2451
Core Subject : Science,
Penlitian dan Pengabdian Masyarakat merupakan Tolak Ukur aktivitas Dosen Perguruan Tinggi, berdasarkan hal tersebut maka dengan ini program studi teknik informatika di Universitas Muhammadiyah Tangerang menyediakan lahan untuk penerbitan jurnal penelitian yang dilakukan oleh dosen. Jurnal ini dikhususkan untuk penelitian di bidang teknoologi informasi yang dilakukan oleh dosen-dosen teknik informatika dari internal kampus maupun dari luar.
Articles 369 Documents
IMPLEMENTASI TEXT MINING DALAM IDENTIFIKASI CYBER HATE SPEECH MENGGUNAKAN SUPPORT VECTOR MACHINE Furqan, Mhd; Putri, Raissa Amanda; Daulay, Ikhsan Agus Martua
Jurnal Informatika Vol 8, No 4 (2024): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v8i4.12581

Abstract

Media sosial sekarang menjadi tempat bagi orang untuk menyampaikan pendapat mereka dan ada banyak cara untuk menyampaikan pendapat tersebut, baik positif maupun negatif. Salah satu contohnya adalah ujaran kebencian dunia maya, juga dikenal sebagai ujaran kebencian dunia maya, yang merupakan bentuk ekspresi yang dilakukan untuk menyebarkan rasa kebecian seperti pencemaran nama baik, penistaan agama, rasisme, dan pelanggaran hak asasi manusia. Penelitian ini dilakukan untuk bisa mengidentifikasi cyber hate speech dalam bentuk teks pada X, yang dibagi 2 kelas yaitu pencemaran nama baik dan penistaan agama. metode yang digunakan adalah SVM (Support Vector Machine) pada penelitian ini dilakukasn beberapa proses seperti pengumpulan data, pelabelan secara manual, pra-proses data dengan text mining, pembobotan dengan tf-idf, klasifikasi dengan merancang model klasifikasi metode support vector machine dan klasifikasi menggunakan data latih dan data uji. Ada 800 data tweet yang digunakan untuk pencemaran nama baik dan penistaan agama dalam bahasa Indonesia, dengan 80% adalah 640 data latihan dan 20% adalah 160 data uji. Hasil pengujian Metode SVM menunjukkan akurasi 96%.
IMPLEMENTASI LINEAR PROGRAMMING PADA MODEL CVRPP UNTUK PENGELOLAAN OPERASIONAL LOGISTIK Adiningrum, Nur Tri Ramadhanti; Prianto, Cahyo; Setyawan, Muhammad Yusril Helmi
Jurnal Informatika Vol 8, No 4 (2024): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v8i4.12068

Abstract

Perusahaan logistik merupakan perusahaan yang memiliki kekhususan dalam penyediaan layanan logistik, yang membantu dalam mengelola fungsi rantai pasokan termasuk pergudangan, distribusi, dan transportasi. Salah satu perusahaan logistik di kota Bandung,yang bergerak di bidang layanan jasa logistik dan memiliki layanan pickup yang bertugas untuk memasarkan produk serta melakukan layanan penjemputan barang. Pada layanan ini, tahap perencanaan aktivitas seperti rute dan kapasitas kendaraan merupakan tahapan yang penting. Namun, pada penerapannya perusahaan ini belum menerapkan aktifitas perjalanan dengan rute terbaik atau hanya berdasar pengalaman driver, serta kurang memaksimalkan kapasitas angkut kendaraan. Capacitated Vehicle Routing Problem with Pickup (CVRPP) adalah metode yang digunakan dalam penanganan masalah ini. Penelitian ini bertujuan pada pembuatan model pencarian jarak dan pemaksimalan kapasitas kendaraan yang dapat meningkatkan efisiensi operasional dalam pengelolaan kapasitas dan rute logistik.  Untuk mencapai tujuan penelitian, Linear Programming dengan bahasa pemrograman Python digunakan sebagai proses perhitungan yang digunakan dan menghasilkan solusi terbaik. Hasil penelitian menunjukkan bahwa rute yang terbentuk menggunakan Linear Programming menghasilkan jarak paling pendek diantara rute lainnya dengan penghematan jarak sebesar 19.99% pada analisis dan 31.92% pada aplikasi. Hal itu juga didukung dengan evaluasi dengan Optimality Gap yang bernilai 0% atau solusi yang ditemukan adalah optimal atau sangat baik.
OPTIMALISASI JARINGAN KOMPUTER DI SMK TRAVINA PRIMA DENGAN IMPLEMENTASI INTERVLAN, VLSM, DAN HSRP Rahman, Taufik; Pamungkas, Evan Tri
Jurnal Informatika Vol 8, No 4 (2024): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v8i4.12379

Abstract

Mengoptimalkan jaringan komputer di SMK Travina Prima melalui implementasi InterVLAN, VLSM, dan HSRP. Latar belakang penelitian ini adalah adanya permasalahan dalam jaringan yang ada, seperti konflik alamat IP, penggunaan bandwidth yang tidak efisien, dan resiko kegagalan jaringan yang tinggi akibat ketergantungan pada satu router utama. Untuk mengatasi masalah tersebut, dilakukan penerapan InterVLAN guna meningkatkan segmentasi dan keamanan jaringan, VLSM untuk optimalisasi alokasi alamat IP, serta HSRP untuk menyediakan redundansi router yang meningkatkan keandalan jaringan. Metode penelitian yang digunakan meliputi observasi, wawancara, dan studi pustaka, dengan pendekatan model pengembangan jaringan berbasis PDCA (Plan-Do-Check-Act). Hasil penelitian menunjukkan bahwa implementasi ketiga teknologi tersebut berhasil meningkatkan kinerja jaringan secara signifikan, dengan penurunan latensi, peningkatan throughput, dan minimnya packet loss. Selain itu, keamanan jaringan juga terjamin melalui konfigurasi yang tepat pada firewall, ACL, dan enkripsi data. Implementasi HSRP berhasil mengatasi masalah kegagalan perangkat dengan failover yang efektif, memastikan ketersediaan jaringan yang tinggi. Kesimpulan dari penelitian ini adalah bahwa kombinasi InterVLAN, VLSM, dan HSRP mampu menghasilkan jaringan yang lebih efisien, andal, dan aman, sehingga mendukung operasional SMK Travina Prima secara optimal. Temuan ini diharapkan dapat menjadi acuan bagi institusi pendidikan lain dalam menghadapi tantangan serupa dalam manajemen jaringan komputer.
PENGELOMPOKKAN DATA MAHASISWA MENGGUNAKAN CLUSTERING UNTUK OPTIMALISASI PENERIMAAN MAHASISWA BARU Yusuf, Diana; Sestri, Elliya; Razi, Fahrul
Jurnal Informatika Vol 8, No 4 (2024): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v8i4.12637

Abstract

Salah satu tahapan penting dalam pengelolaan perguruan tinggi yakni proses penerimaan mahasiswa baru, dimana proses ini akan mempengaruhi kualitas dan kuantitas mahasiswa yang diterima di perguruan tinggi. Mengoptimalkan proses ini memerlukan pendekatan yang efektif untuk menganalisis data potensi mahasiswa. Dimana akan dilakukan pengelompokkan data mahasiswa menggunakan algoritma clustering K-Means untuk menemukan pola dan karakteristik yang dapat mengoptimalkan penerimaan mahasiswa baru. Penerapan algoritma K-Means vabel-variabel seperti program studi, IPK, kelurahan, kota, provinsi, dan jenis sekolah. Hasil pengelompokkan diharapkan dapat memberikan wawasan lebih dalam mengenai segementasi calon mahasiswa, sehingga perguruan tinggi dapat menyusun strategi penerimaan yang lebih tepat sasaran. Diharapkan dapat memberikan dasar bagi pengambilan keputusan yang lebih berbasis data untuk meningkatkan kualitas penerimaan mahasiswa pada masa mendatang.
PENERAPAN ALGORITMA C4.5 UNTUK PREDIKSI PENERIMA BEASISWA SISWA BERPRESTASI DI MI AL-ISHLAH CIGANITRI Fardiani, Risma; Fitriyani, Fitriyani
Jurnal Informatika Vol 8, No 4 (2024): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v8i4.12117

Abstract

Pendidikan bertujuan melahirkan manusia berkualitas dan berkarakter yang mempunyai visi besar dalam mewujudkan impiannya. Beasiswa jawaban untuk mewujudkan pemerataan pendidikan. Beasiswa ini dilakukan secara selektif sesuai jenis beasiswa yang diberikan. Setiap jenis beasiswa mempunyai kriteria atau bobot yang berbeda, maka pihak sekolah memilih berdasarkan nilai akhir dan prestasi lainnya, jika nilai dan persyaratan terpenuhi mereka bisa mendapatkan beasiswa. Penelitian ini dilakukan di MI Al-Ishlah Ciganitri, untuk klasifikasi siswa yang menerima beasiswa dengan teknik classification menggunakan algoritma C4.5. Dengan mempelajari pola data beasiswa MI Al-Ishlah Ciganitri,  model dapat dibuat dari data tersebut untuk memprediksi siswa yang akan menerima beasiswa selanjutnya. Hasil akurasi yang diperoleh sebesar 93,33% dengan kategori Class Good Clasification. Hasil  dari  penelitian  ini dapat mengklasifikasi  kedalam  dua  kategori,  yaitu  menerima beasiswa  dan  tidak menerima beasiswa. Dengan demikian, Algoritma C4.5 dapat menjadi referensi dalam melakukan klasifikasi penerima bebasiswa dengan baik sehingga meningkatkan produktifitas kinerja.
ANALISIS DAN PERANCANGAN APLIKASI ALGORITMA HUFFMAN DAN DYNAMIC MARKOV COMPRESSION PADA FILE TEXT PDF Suendri, Suendri; Hasugian, Abdul Halim; Rijal, Mhd. Nanda Khairul
Jurnal Informatika Vol 9, No 1 (2025): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v9i1.12712

Abstract

Penggunaan media penyimpanan yang efektif dan efesien sangat didambakan oleh semua orang, ukuran besar dan kecilnya sebuah document sangat mempengaruhi media penyimpanan dan juga ketika pengiriman document juga mempengaruhi kecepatan pengiriman. Dengan memanfaatkan beberapa metode Kompresi kita dapat memperkecil ukuran pada sebuah Document. Beberapa diantaranya adalah metode Huffman dan metode Dynamic Markov Compression dimana pada penelitian ini akan membahas mengenai perbandingan dari metode Huffman dalam melakukan proses Kompresi dan Dekompresi dengan metode Dynamic Markov Compression menggunakan file text yang berjenis (.pdf). Dari hasil penelitian menunjukan bahwa metode huffman lebih baik didalam melakukan proses kompresi document dibandingkan dengan metode Dynamic Markov Compression. Hal ini dapat dilihat dari kompleksitas waktu dan nilai rata-rata rasio kompresi Huffman 57.97%  pada metode Dynamic Markov Compression 57.41%. 
ANALISIS SENTIMEN APLIKASI BISA EKSPOR PADA ULASAN PENGGUNA DI GOOGLE PLAY DENGAN NAÏVE BAYES Suhadi, Enda
Jurnal Informatika Vol 9, No 1 (2025): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v9i1.12876

Abstract

Bisa Ekspor didirikan pada Juli 2020 oleh Julio sebagai platform edukasi untuk ekspor, yang dibentuk dengan tujuan untuk mendukung perekonomian Indonesia, membantu memajukan sektor pertanian, serta memperkenalkan produk Indonesia ke pasar internasional. Aplikasi Bisa Ekspor di Google Play merupakan platform yang memudahkan usernya untuk belajar tentang ekspor hingga menjadi eksportir sejati. Analisis sentimen adalah proses untuk menilai apakah suatu teks mengandung sentimen positif atau negatif. Dalam penelitian ini, analisis sentimen dilakukan menggunakan algoritma Naïve Bayes. Tujuannya adalah untuk menganalisis sentimen user aplikasi Bisa Ekspor di Playstore dengan mengumpulkan data menggunakan teknik web scrapping. Hasil penelitian menunjukkan bahwa dari 3385 data teks yang diambil antara Desember 2020 hingga November 2024, sebagian besar user memberikan pendapat positif. Dari hasil klasifikasi, 1197 teks atau 56,97% dikategorikan sebagai sentimen positif, sementara 904 teks atau 43,03% diklasifikasikan sebagai sentimen negatif. Hal ini menunjukkan bahwa meskipun banyak pendapat positif, ada juga sejumlah user yang memberikan pendapat negatif terhadap aplikasi Bisa Ekspor. Berdasarkan klasifikasi menggunakan metode Naïve Bayes, diperoleh akurasi sebesar 85,80%, precision 81,42%, dan recall 92,76%.
OPTIMALISASI ALGORITMA RANDOM FOREST FEATURE SELECTION DAN HYPERPARAMETER TUNING KLASIFIKASI GENRE MUSIK Fakhriza, Fathur; Subekti, Dayat; Cahyo, Puji Winar
Jurnal Informatika Vol 9, No 1 (2025): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v9i1.12216

Abstract

Mendengarkan musik merupakan aspek penting dari kehidupan manusia, namun pengenalan genre musik secara subjektif menambah kompleksitas dalam proses klasifikasinya. Oleh karena itu, diperlukan pendekatan yang teliti dan andal untuk menganalisis serta mengelompokkan data musik. Metode Random Forest banyak digunakan dalam klasifikasi genre musik, memerlukan optimalisasi algoritma yang presisi melalui Feature Selection dan Hyperparameter Tuning. Manfaat penelitian ini yaitu untuk memberikan pemahaman mengenai peran teknik Feature Selection dan Hyperparameter Tuning dalam mengoptimalkan performa algoritma Random Forest. Dengan memanfaatkan algoritma secara maksimal, akurasi klasifikasi genre musik dapat ditingkatkan, yang berperan penting dalam menciptakan sistem rekomendasi musik yang lebih tepat dan akurat. Penelitian ini diawali dengan pengumpulan data yang diolah dalam proses preprocessing untuk mendapatkan data yang bersih. Fitur-fitur dalam dataset dipilih melalui Feature Selection untuk mendapatkan fitur yang mampu merepresentasikan kelas genre musik. Metode Random Forest digunakan untuk klasifikasi, diikuti dengan Hyperparameter Tuning untuk mendapatkan parameter yang optimal. Hasil pengujian menunjukkan bahwa metode Random Forest memiliki nilai ROC AUC sebesar 0.909. Optimalisasi meningkatkan kinerja dengan nilai ROC AUC menjadi 0.913, menunjukkan peningkatan kinerja model sebesar 0.004 dan masuk kategori evaluasi yang excellent
OPTIMASI PREDIKSI RISIKO KREDIT DENGAN PREPROCESSING DAN HYPERPARAMETER TUNING Rais, Amin Nur; Warjiyono, Warjiyono; Putra, Jordy Lasmana
Jurnal Informatika Vol 9, No 1 (2025): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v9i1.12782

Abstract

Risiko kredit menjadi tantangan dalam industri keuangan, yang dapat berdampak pada stabilitas lembaga keuangan. Penelitian ini mengevaluasi kinerja model machine learning dalam memprediksi risiko kredit menggunakan dataset dari Kaggle. Empat model yang diuji adalah Logistic Regression, Random Forest, Gradient Boosting, dan K-Nearest Neighbors (KNN), yang masing-masing diuji dalam tiga versi: baseline, preprocessing, dan tuned. Proses preprocessing mencakup penanganan nilai hilang, encoding fitur kategori, dan standarisasi fitur numerik. Model dievaluasi berdasarkan akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Gradient Boosting (Tuned) memberikan performa terbaik dengan akurasi 93.79%, presisi 94.91%, recall 76.05%, dan F1-score 84.44%. Penelitian ini memberikan manfaat bagi lembaga keuangan dalam memilih model yang optimal untuk memprediksi risiko kredit dan mendukung pengambilan keputusan berbasis data.
HYPERPARAMETER MODEL LSTM-GRU UNTUK PREDIKSI PEMETAAN TINGKAT KEBAKARAN HUTAN maulana, fahrizal; kusrini, kusrini
Jurnal Informatika Vol 9, No 1 (2025): JIKA (Jurnal Informatika)
Publisher : University of Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jika.v9i1.12882

Abstract

Bencana kebakaran hutan merupakan permasalahan besar bagi pemerintah provinsi Kalimantan Tengah. Langkah eksternal maupun internal telah dilakukan melalui kebijakan publik yang dibuat berupa hasil prediksi atau pemetaan kebakaran hutan dimasa akan datang. Dalam penelitian ini dilakukan pengembangan model untuk prediksi tren dan pemetaan tingkat kebakaran hutan dengan fokus penerapan hyperparameter terhadap kombinasi RNN di dua perangkat dan pengaturan rasio dataset berbeda. Dataset yang digunakan merupakan penggabungan dataset MODIS dan Merra2 sebagai end-to-end multivariate fitur dan target. Penggabungan dataset menggunakan asas interpolasi untuk mendukung kontinuitas kekosongan data. Untuk mencapai tujuan penelitian dilakukan eksperimental sebanyak 12 skenario terhadap 6 set pengaturan hyperparameter dengan evaluasi menggunakan performansi regresi MAE dan RMSE. Temuan penelitian menunjukan model kombinasi LSTM-GRU konsisten memperoleh rata-rata error MAE 2% dan RMSE 6% pada P1 dan P2 dengan nilai performa loss pembelajaran terbaiknya berada pada skenario 7, 10, 11 untuk  pembagian kedua dataset dan skenario 8 di rasio dataset 70:30. Pengujian di perangkat berbeda juga tidak mempengaruhi penurunan error pada model terhadap penerapan hyperparameter kecuali lama runtime pembelajaran model. Hasil penelitian ini memberikan gambaran yang komprehensif terhadap pemilihan parameter terhadap kombinasi model RNN yang ideal berdasarkan pembagian rasio dataset serta memberikan pemahaman tentang penerapan hyperparameter pada perangkat berbeda.