cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Mesran
Contact Email
mesran.skom.mkom@gmail.com
Phone
+6282161108110
Journal Mail Official
jurnal.json@gmail.com
Editorial Address
STMIK Budi Darma Jln. Sisingamangaraja No. 338 Telp 061-7875998
Location
Kota medan,
Sumatera utara
INDONESIA
Jurnal Sistem Komputer dan Informatika (JSON)
Published by Sekolah Tinggi Manajemen Informatika dan Komputer Budi Darma
ISSN : -     EISSN : 2685998X     DOI : https://dx.doi.org/10.30865/json.v1i3.2092
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering
The Jurnal Sistem Komputer dan Informatika (JSON) is a journal to managed of STMIK Budi Darma, for aims to serve as a medium of information and exchange of scientific articles between practitioners and observers of science in computer. Focus and Scope Jurnal Sistem Komputer dan Informatika (JSON) journal: Embedded System Microcontroller Artificial Neural Networks Decision Support System Computer System Informatics Computer Science Artificial Intelligence Expert System Information System, Management Informatics Data Mining Cryptography Model and Simulation Computer Network Computation Image Processing etc (related to informatics and computer science)
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 52 Documents
 1   2   3   4   5 
Search results for , issue "Vol. 7 No. 2 (2025): Desember 2025" : 52 Documents clear
LQ45 Index Stock Market Prediction: A Deep Learning Approach using LSTM with Bayesian Optimization Crisnapati, Padma Nyoman; Putu Devi Novayanti; Dian Pramana
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.8925

Abstract

This study investigates the application of Long Short-Term Memory (LSTM) models with Bayesian Optimization for predicting stock price movements in the LQ45 Index, a collection of the 45 most liquid stocks on the Indonesia Stock Exchange. The primary objective is to enhance prediction accuracy by addressing the challenges of volatile stock markets and inefficient hyperparameter tuning. Historical data, including daily closing prices from January 2020 to October 2024, was processed using Min-Max Scaling and transformed into time-series input features with a 60-time-step window. Bayesian Optimization was employed to fine-tune key hyperparameters such as LSTM units, dropout rate, and learning rate, optimizing the model's performance. The results revealed that the LSTM model accurately captured trends for stocks with stable price patterns, such as ACES, ASII, and MTEL, achieving low Mean Absolute Percentage Error (MAPE) and Root Mean Square Percentage Error (RMSPE). However, stocks with high volatility, like AMMN and ITMG, exhibited higher prediction errors, indicating limitations in modeling complex patterns. The study highlights that while LSTM with Bayesian Optimization is highly effective for stable stocks, additional preprocessing and advanced modeling techniques are required for volatile stocks. This research demonstrates the potential of machine learning in supporting stock market decision-making, contributing to the development of more robust and efficient financial prediction tools for investors navigating dynamic markets.
Model Prediktif Keterlambatan Pembayaran Mahasiswa Berbasis Seleksi Fitur dengan Particle Swarm Optimization Desvia, Yessica Fara; Suharjanti; Suhardjono; Irmawati Carolina; Resti Lia Andharsaputri
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.8973

Abstract

Keterlambatan pembayaran biaya kuliah menjadi salah satu permasalahan krusial di perguruan tinggi swasta yang dapat berdampak pada risiko akademik, seperti cuti atau putus studi. Penelitian ini diarahkan untuk mengembangkan model prediktif dalam mengidentifikasi keterlambatan pembayaran oleh mahasiswa, dengan memanfaatkan algoritma klasifikasi Decision Tree dan Random Tree, serta menerapkan metode Particle Swarm Optimization (PSO) untuk proses seleksi fitur. Data yang digunakan dalam penelitian ini mencakup 15.697 mahasiswa, masing-masing memiliki enam atribut sebagai variabel prediktor serta satu atribut target yang menunjukkan status mahasiswa, yaitu aktif atau cuti. Tahapan penelitian mencakup pengumpulan data, pra-pemrosesan, klasifikasi, seleksi fitur, dan evaluasi model dilakukan dengan menggunakan metrik akurasi, serta kurva ROC dan nilai AUC. Hasil penelitian menunjukkan akurasi model mencapai 98,83%, dengan peningkatan signifikan AUC pada Random Tree dari 0,632 menjadi 0,825 setelah seleksi fitur menggunakan PSO. Temuan ini menunjukkan bahwa PSO efektif dalam meningkatkan performa model klasifikasi dan mengurangi kompleksitas fitur yang tidak relevan. Sistem prediktif yang dihasilkan dapat membantu institusi pendidikan dalam melakukan deteksi dini mahasiswa berisiko menunggak, sehingga memungkinkan pengambilan tindakan preventif dan intervensi lebih tepat sasaran untuk mendukung keberlangsungan akademik mahasiswa.
3D Game Asset Optimization Using Quadric Error Metrics And Decimate Modifier Arifudin, Dani; Khasanah, Nurul Afifatul; Robbani, Ayat Akras
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.8974

Abstract

3D asset optimization is a crucial challenge in game development because high-polygon models increase computational load, reduce frame rates, and negatively affect user experience in real-time rendering environments. This research addresses the problem by applying the Quadric Error Metrics (QEM) algorithm through the Decimate Modifier (Collapse Mode) in Blender as a solution for mesh simplification. Various high-polygon 3D models were simplified at different reduction levels and tested in the Unity engine to evaluate their impact on performance. The evaluation included frame rate measurement, vertex and triangle count reduction, and geometric accuracy assessment using the Hausdorff Distance method. The results show FPS improvements ranging from 9% to 41%, with vertex reduction between 8% and 33% and triangle reduction between 17% and 22%, while maintaining acceptable visual fidelity. These findings demonstrate that QEM-based optimization effectively balances visual quality and rendering performance, making it suitable for resource-constrained platforms such as mobile games and VR applications.
Klasifikasi Multikelas Tingkat Diabetes Berdasarkan Indikator Kesehatan Pasien Menggunakan Strategi One-vs-Rest Panjaitan, Tabitha Martha Agustine; Robet; Octara Pribadi
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.8985

Abstract

Diabetes is a non-communicable disease with a steadily increasing global prevalence. It often remains undiagnosed in its early stages, particularly during the prediabetic phase, which typically lacks noticeable symptoms. This study aims to develop a multi-class classification model to predict diabetes severity levels non-diabetic, prediabetic, and diabetic based on patient health indicators. A One-vs-Rest (OvR) strategy was employed, training each class against a combination of the others. The dataset was derived from the 2015 National Health Survey, comprising over 250,000 patient records with features such as blood pressure, body mass index, cholesterol levels, history of heart disease, and physical activity. Two machine learning algorithms, Logistic Regression and Random Forest, were applied to train the models. Class imbalance was addressed using the Synthetic Minority Over-sampling Technique (SMOTE). Evaluation metrics included accuracy, precision, recall, F1-score, and confusion matrix. The results show that the Random Forest model achieved an average accuracy of 93% and consistently high F1-scores, particularly for the prediabetic class of 98%. The most influential predictors were high blood pressure, obesity, and insufficient physical activity. This study contributes to the development of a reliable and efficient data-driven system for early diabetes risk detection.
PID-Controlled Gyroscopic Stabilization for Roll Balancing: A Simulation and Experimental Study Crisnapati, Padma Nyoman; Putu Devi Novayanti; Ni Ketut Ira Permata Adi; I Putu Agung Mas Aditya Warman; Anak Agung Istri Cintya Prabandari; I Made Darma Susila
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9001

Abstract

In marine engineering, stabilizing boat roll motion under wave-induced disturbances is a crucial problem where traditional approaches frequently have drawbacks in terms of responsiveness, energy efficiency, and adaptability. In this study, a PID-controlled gyroscopic stabilization system for boat roll balancing is designed, simulated, and experimentally validated. To capture the coupled dynamics of servo motor behavior, gyroscopic torque generation, and boat roll motion, a thorough dynamic model was created. Four gain configurations—Low, Moderate, High, and Very High—were evaluated using the model-guided PID parameter tuning that was implemented in Python. The mechanical system incorporates a gyroscopic flywheel driven by BLDC and mounted on a servo-controlled cradle. An ESP32 microcontroller processes real-time roll angle feedback from an MPU6050 sensor. According to simulation results, the ideal balance between rise time (~300 ms), overshoot (~2°), and settling time (~1 s) was reached with moderate PID gains. While High and Very High gains displayed instability because of unmodeled vibrations and sensor noise, a scaled physical prototype that was built and tested under controlled disturbances demonstrated strong alignment with simulation trends for Low and Moderate gains. The results show that moderate gains, which offer both quick stabilization and reliable performance, offer the most useful configuration for real-world applications. This work contributes a validated methodology for optimizing PID-controlled systems in dynamic environments by bridging the gap between theoretical modeling and practical implementation of marine gyroscopic stabilization.
Analisis Sentimen Naïve Bayes dengan TF-IDF dan 10-Fold pada Ulasan Aplikasi X Cha Cha Kirana; Nabila Rizky Oktadini
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9007

Abstract

Penelitian ini bertujuan untuk mengidentifikasi dan mengklasifikasikan sentimen pada ulasan pengguna aplikasi X (Twitter) ke dalam kategori positif dan negatif secara otomatis untuk memperoleh gambaran objektif mengenai persepsi pengguna. Kebaruan penelitian terletak pada penerapan rangkaian preprocessing teks secara lengkap berbasis TF-IDF yang dikombinasikan dengan evaluasi model menggunakan teknik 10-fold cross-validation pada dataset berskala besar berjumlah 5.000 ulasan dari Google Play Store, sehingga menghasilkan model yang lebih akurat dan stabil dibanding pendekatan terdahulu. Metode penelitian mencakup tahapan text preprocessing (case folding, stopword removal, stemming, tokenizing, normalisasi karakter dan pembersihan simbol), transformasi TF-IDF untuk representasi numerik, dan klasifikasi menggunakan algoritma Naïve Bayes serta Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa model SVM memberikan performa tertinggi dengan akurasi rata-rata 90,02%, presisi 89,97%, recall 89,23%, dan F1-score 89,53%, melampaui Naïve Bayes yang memperoleh akurasi 87,14%, presisi 88,13%, recall 85,29%, dan F1-score 86,19%. Visualisasi wordcloud mengonfirmasi perbedaan kosakata dominan antara sentimen positif dan negatif. Temuan ini menegaskan bahwa SVM lebih unggul untuk klasifikasi sentimen berbasis teks pada ulasan aplikasi. Implikasi penelitian menunjukkan bahwa hasil analisis sentimen dapat menjadi sumber informasi berbasis data bagi pengembang dalam memetakan masalah dominan, meningkatkan kualitas layanan, dan memaksimalkan pengalaman pengguna secara berkelanjutan.
Sistem Informasi Ticketing Menggunakan Metode SJF dalam Manejemen PPID Humas UINSU Akbar, Akbar; Samsudin
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9022

Abstract

Pejabat Pengelola Informasi dan Dokumentasi memiliki peran strategis dalam mengelola, menyimpan, mendokumentasikan, serta menyediakan layanan informasi publik sesuai kewenangan lembaga. Pada tahun 2024, PPID Humas Universitas Islam Negeri Sumatera Utara menerima 434 permintaan informasi publik. Mekanisme layanan yang masih bersifat konvensional, dengan pemohon harus datang langsung ke kantor, menimbulkan antrean panjang, pemborosan waktu, dan keterlambatan dalam pemrosesan. Selain itu, arsip yang belum terdigitalisasi sepenuhnya menyulitkan pencarian data dan penyusunan laporan. Penelitian ini bertujuan merancang dan mengimplementasikan sistem informasi ticketing berbasis web dengan algoritma Shortest Job First  untuk mengoptimalkan manajemen antrean berdasarkan estimasi waktu penyelesaian. Metode penelitian menggunakan pendekatan Penelitian dan Pengembangan Research and Development dengan observasi, wawancara, studi literatur, perancangan sistem, pengujian black-box testing, serta evaluasi kinerja algoritma. Hasil implementasi menunjukkan bahwa sistem yang dibangun mampu menurunkan rata-rata waktu tunggu menjadi 1,8 jam dan rata-rata waktu penyelesaian menjadi 4,8 jam. Penerapan sistem ini meningkatkan efisiensi kerja melalui penjadwalan terstruktur, kemudahan pemantauan status permintaan, serta peningkatan kualitas layanan dengan penyelesaian informasi yang lebih tepat waktu, akurat, dan terdokumentasi.
Peningkatan Akurasi Klasifikasi Ikan kepe-kepe (Famili Chaetodontidae) dengan EfficientNetV2 dan Bayesian Hyperparameter Tuning Putu Mahendra, I Gusti Agung; Muhammad Ikhsan Wibowo; Zuliar Efendi
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9028

Abstract

Identifikasi cepat dan akurat spesies Chaetodontidae penting untuk monitoring keanekaragaman hayati laut, namun pendekatan manual tidak skala dan rentan kesalahan pada dataset besar. GAP riset yang kami tangani adalah: (i) ketiadaan kajian yang secara khusus mengombinasikan EfficientNetV2 dengan Bayesian hyperparameter tuning untuk klasifikasi Chaetodontidae, dan (ii) belum adanya evaluasi yang menekankan efisiensi penalaan adaptif beserta dampaknya terhadap performa. Kebaruan (novelty) studi ini ialah perancangan pipeline ringkas-efisien berbasis EfficientNetV2 dengan Bayesian Optimization   (10 percobaan) pada learning rate, dropout, dan unfreeze backbone, dipadukan augmentasi kuat (MixUp, CutMix) serta regularisasi (label smoothing, L2). Dataset mencakup 1.427 citra/13 spesies dengan praproses center-crop 80% dan resize 224×224. Konfigurasi terbaik (unfreeze=True, dropout=0,2, LR 3,73×10⁻⁴) mencapai val-accuracy 92,75% dan akurasi uji 97%, dengan precision–recall rata-rata >95%, menunjukkan generalisasi yang baik bahkan pada kelas bermorfologi mirip. Dibanding penalaan manual/grid, pendekatan ini lebih hemat eksperimen sekaligus meningkatkan akurasi. Temuan tersebut menegaskan bahwa integrasi EfficientNetV2 + Bayesian tuning efektif dan siap diadopsi untuk sistem identifikasi–monitoring ikan berbasis citra pada konteks konservasi laut Indonesia.
Penerapan Metode Machine Learning Dan Teknik SMOTE untuk Prediksi Diabetes Sembiring Depari, Alrayssa Davinka; Tania, Ken Ditha; Sevtiyuni, Putri Eka
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9032

Abstract

Diabetes merupakan salah satu penyakit tidak menular yang prevalensinya terus meningkat secara global maupun nasional. Kondisi ini menimbulkan risiko komplikasi serius seperti penyakit jantung, stroke, hingga gagal ginjal apabila tidak terdeteksi sejak dini. Oleh karena itu, dibutuhkan metode prediksi berbasis data yang mampu membantu proses deteksi awal secara cepat, akurat, dan efisien. Penelitian ini bertujuan membandingkan kinerja empat algoritma pembelajaran mesin, yaitu Random Forest, XGBoost, Support Vector Machine (SVM), dan K-Nearest Neighbor (KNN) dalam memprediksi penyakit diabetes menggunakan dataset publik dari Kaggle. Penelitian dilakukan dengan mengacu pada kerangka Knowledge Discovery in Databases (KDD) yang terdiri dari tahapan seleksi data, pra-pemrosesan (data cleaning, transformasi, dan normalisasi), penyeimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE), pembagian data latih dan data uji dengan rasio 80:20, implementasi algoritma, serta evaluasi performa model. Evaluasi dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-Score untuk memastikan kualitas prediksi secara menyeluruh. Hasil penelitian menunjukkan bahwa Random Forest dan XGBoost memberikan performa terbaik dengan nilai Accuracy, Precision, Recall, dan F1-Score sebesar 0,97. Model KNN menunjukkan performa cukup baik dengan skor 0,94, sementara SVM memperoleh nilai terendah sebesar 0,89. Temuan ini menegaskan bahwa penerapan kerangka KDD dengan teknik SMOTE mampu menghasilkan model prediksi yang optimal. Random Forest dan XGBoost direkomendasikan sebagai algoritma unggulan pada penelitian serupa, terutama pada dataset dengan karakteristik kelas yang tidak seimbang.
Identifikasi Faktor Risiko Serangan Jantung di Indonesia Menggunakan Model Prediktif LightGBM Fahmi, Amiq; Muhammad Fais Ramadhani; Ramadhan Rakhmat Sani
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9065

Abstract

Peningkatan prevalensi serangan jantung di Indonesia telah menjadi isu kesehatan publik yang signifikan karena penyakit ini konsisten termasuk penyebab kematian tertinggi secara nasional. Meskipun berbagai studi epidemiologis telah mengidentifikasi faktor risiko klinis maupun perilaku, pendekatan berbasis data untuk prediksi individual masih relatif terbatas, terutama pada konteks populasi Indonesia dengan karakteristik heterogen. Untuk menjawab kesenjangan tersebut, penelitian ini mengembangkan model prediktif serangan jantung menggunakan algoritma Light Gradient Boosting Machine (LightGBM) yang dikenal efisien pada data berukuran besar. Dataset terdiri dari 158.355 observasi dan 28 fitur demografis, gaya hidup, dan indikator medis. Prosedur prapemrosesan mencakup imputasi nilai hilang, pengkodean variabel kategorikal, seleksi fitur menggunakan Principal Component Analysis (PCA), serta penyeimbangan distribusi kelas melalui Synthetic Minority Over-Sampling Technique (SMOTE). Kinerja prediksi dievaluasi menggunakan metrik klasifikasi standar, di mana LightGBM mencapai akurasi 83,39% (train) dan 77,92% (test); presisi 85,67% dan 79,38%; recall 80,19% dan 75,44%; F1-score 82,84% dan 77,36%; serta AUC-ROC 91,84% dan 87,37%. Analisis komponen utama menunjukkan kontribusi varians yang tinggi pada fitur terkait pola konsumsi, penggunaan obat, stres, dan hipertensi. Hasil ini mengindikasikan bahwa LightGBM merupakan pendekatan yang menjanjikan untuk mendukung deteksi risiko serangan jantung secara lebih awal dan berpotensi meningkatkan strategi mitigasi penyakit kardiovaskular di Indonesia.

Page 1 of 6 | Total Record : 52

 1   2   3   4   5 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol. 7 No. 2 (2025): Desember 2025 Vol. 7 No. 1 (2025): September 2025 Vol 6, No 4 (2025): Juni 2025 Vol. 6 No. 4 (2025): Juni 2025 Vol 6, No 3 (2025): Maret 2025 Vol. 6 No. 3 (2025): Maret 2025 Vol. 6 No. 2 (2024): Desember 2024 Vol 6, No 2 (2024): Desember 2024 Vol 6, No 1 (2024): September 2024 Vol. 6 No. 1 (2024): September 2024 Vol 5, No 3 (2024): Maret 2024 Vol. 5 No. 3 (2024): Maret 2024 Vol. 5 No. 2 (2023): Desember 2023 Vol 5, No 1 (2023): September 2023 Vol 4, No 4 (2023): Juni 2023 Vol 4, No 3 (2023): Maret 2023 Vol 4, No 2 (2022): Desember 2022 Vol 4, No 1 (2022): September 2022 Vol 3, No 4 (2022): Juni 2022 Vol 3, No 3 (2022): Maret 2022 Vol 3, No 2 (2021): Desember 2021 Vol 3, No 1 (2021): September 2021 Vol 2, No 3 (2021): Mei 2021 Vol 2, No 2 (2021): Januari 2021 Vol 2, No 1 (2020): September 2020 Vol 1, No 3 (2020): Mei 2020 Vol 1, No 2 (2020): Januari 2020 Vol 1, No 1 (2019): September 2019 More Issue