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 457 Documents
 40   41   42   43   44 
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.
Analisis Perbandingan Kinerja Metode SAW dan MAUT dalam Menentukan Prioritas Penerima BPNT Ajis, Herawati; Muh Rafli Rasyid; Heliawaty Hamrul
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.v7i2.9081

Abstract

Metode pengambilan keputusan multikriteria, seperti Simple Additive Weighting (SAW) dan Multi-Attribute Utility Theory (MAUT), banyak digunakan untuk menentukan kelayakan penerima bantuan. Namun, masih sedikit penelitian yang membandingkan kedua metode secara langsung menggunakan dataset dan konteks yang sama, khususnya untuk prioritas penerima Bantuan Pangan Non Tunai (BPNT). Penelitian ini membandingkan kinerja SAW dan MAUT berdasarkan peringkat, tingkat kesesuaian, dan korelasi Spearman, menggunakan 200 alternatif dengan 14 kriteria sosial-ekonomi melalui tahapan pengumpulan data, penerapan metode, analisis perbandingan hasil, pengujian tingkat kesesuaian dan korelasi Spearman, serta penarikan kesimpulan. Hasil menunjukkan tingkat kesesuaian yang sangat tinggi untuk kedua metode, yaitu 99,99391% (SAW) dan 99,99484% (MAUT), dengan korelasi Spearman 0,7225 yang menunjukkan hubungan positif kuat. SAW lebih sensitif terhadap variasi data dan arah preferensi benefit–cost, sedangkan MAUT cenderung stabil tetapi kurang peka terhadap perbedaan nilai. Kedua metode konsisten dan layak digunakan, sehingga pilihan dapat disesuaikan dengan karakteristik data dan kebutuhan analisis sistem pendukung keputusan.
Deteksi Dini Penyakit Tanaman Jagung Berbasis Transfer Learning dengan Arsitektur DenseNet121 Rofianto, Dani; Maulini, Rima; Sahlinal, Dwirgo; Meilantika, Dian; Pujiana, Tri
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.v7i2.9094

Abstract

Jagung (Zea mays L.) merupakan komoditas pangan strategis di Indonesia yang berperan penting dalam ketahanan pangan, industri pakan ternak, hingga energi terbarukan. Produktivitas jagung kerap menurun akibat penyakit daun seperti Blight, Common Rust, dan Gray Leaf Spot, yang dapat mengurangi hasil panen hingga 30–50% jika tidak dideteksi sejak dini. Metode deteksi konvensional melalui pengamatan visual masih memiliki keterbatasan, antara lain subjektivitas penilaian, kurangnya tenaga ahli, serta keterlambatan dalam pengambilan keputusan. Oleh karena itu, diperlukan pendekatan berbasis kecerdasan buatan yang mampu melakukan deteksi secara cepat, akurat, dan efisien di lapangan. Penelitian ini mengusulkan penggunaan transfer learning dengan arsitektur DenseNet121 untuk klasifikasi penyakit daun jagung. Dataset yang digunakan terdiri dari 2.818 citra yang terbagi ke dalam empat kelas utama (Blight, Common Rust, Gray Leaf Spot, Healthy), diperoleh dari kombinasi dokumentasi lapangan dan dataset terbuka daring. Data kemudian dibagi menggunakan stratified split menjadi 68% latih, 17% validasi, dan 15% uji. Hasil pengujian menunjukkan bahwa model mencapai akurasi 93,48% dengan F1-score rata-rata 0,93. Kelas Healthy dan Common Rust teridentifikasi hampir sempurna, sementara kesalahan klasifikasi masih ditemukan pada Gray Leaf Spot yang sering terprediksi sebagai Blight. Kurva akurasi dan loss memperlihatkan dinamika pelatihan yang stabil tanpa indikasi overfitting, berkat penerapan augmentasi data, dropout, dan early stopping. Temuan ini menegaskan bahwa DenseNet121 berpotensi besar untuk diterapkan dalam sistem deteksi dini penyakit jagung berbasis AI, sekaligus mendukung pengembangan pertanian presisi dan peningkatan produktivitas nasional.
Analisis Sentimen Ulasan Pengguna Mobile Legends di Google Play Store menggunakan Naïve Bayes dan KNN Wijiyanto, Dwi; Setiawan, Arif; Arifin, Muhammad
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.v7i2.9113

Abstract

Mobile Legends merupakan salah satu game mobile populer dengan jumlah unduhan tinggi dan ribuan ulasan pengguna di Google Play Store. Penelitian ini bertujuan menganalisis sentimen ulasan pengguna berbahasa Indonesia menggunakan algoritma Naïve Bayes dan K-Nearest Neighbors (KNN). Sebanyak 4.000 data ulasan dikumpulkan melalui teknik web scraping dan diproses melalui tahapan cleaning, tokenization, stopword removal, serta stemming. Data kemudian diklasifikasikan ke dalam dua sentimen, yaitu positif dan negatif. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan Cross Validation. Hasil menunjukkan bahwa algoritma Naïve Bayes memiliki performa yang lebih stabil, sedangkan KNN lebih unggul dalam mengenali kemiripan pola kata. Penelitian ini memberikan wawasan terhadap persepsi pengguna serta dapat menjadi acuan bagi pengembang dalam meningkatkan kualitas layanan game Mobile Legends.
Evaluasi Komparatif Model Regresi Prediksi Saham BBCA dengan Analitik dan Visualisasi Interaktif Menggunakan Streamlit Fahmi, Amiq; Muhammad Hilmy Munsarif; Agus Winarno
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.v7i2.9119

Abstract

Ketidakstabilan harga saham yang dipengaruhi oleh faktor fundamental dan teknikal menimbulkan kompleksitas dalam proses prediksi serta menuntut model yang akurat dan mampu melakukan generalisasi. Penelitian sebelumnya masih berfokus pada regresi linier konvensional tanpa membandingkannya dengan metode regularisasi maupun menelaah kontribusi rekayasa fitur dalam meningkatkan performa prediktif. Kontribusi penelitian ini adalah mengevaluasi dan membandingkan efektivitas Regresi Linier, Ridge Regression, dan Lasso Regression dalam memprediksi harga penutupan saham PT Bank Central Asia Tbk (BBCA). Kebaruan penelitian ini terletak pada penerapan tahapan preprocessing dan feature engineering yang menghasilkan tujuh variabel turunan, yaitu daily range, open–close change, daily return, lag features, moving average, volatility, dan transformasi logaritmik. Evaluasi model menggunakan Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil utama menunjukkan bahwa Regresi Linier memiliki akurasi tinggi pada data pelatihan namun mengalami overfitting pada data uji, Ridge Regression tidak memberikan peningkatan stabilitas yang berarti, sedangkan Lasso Regression menjadi model paling stabil dengan nilai R² sebesar 0,8247. Temuan ini memberikan manfaat berupa dasar pemilihan metode prediksi yang lebih stabil dan akurat untuk digunakan dalam analisis harga saham dengan volatilitas tinggi.
Sistem Cerdas Berbasis Machine Learning Klasifikasi Karakteristik Siswa Disabilitas untuk Peningkatan Kualitas Pembelajaran Yanto, Robi; Etriyanti, Endang
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.v7i2.9136

Abstract

Pendidikan inklusif membutuhkan metode pembelajaran yang disesuaikan dengan karakteristik setiap siswa, termasuk siswa penyandang disabilitas. Setiap siswa memiliki kebutuhan belajar yang berbeda, tergantung pada jenis dan tingkat keparahan disabilitas. Saat ini Jumlah siswa penyadang disabilitas di Indonesia sampai tahun 2024 mencapai 307,242. Permasalahan utama dalam proses pembelajaran bagi siswa penyandang disabilitas adalah terbatasnya akses terhadap pendidikan inklusif, karena banyak guru yang masih belum mampu melakukan analisis matematis secara akurat untuk mengklasifikasikan karakteristik siswa penyandang disabilitas. Oleh karena itu, penerapan teknologi komputer sangat penting untuk mengembangkan sistem cerdas berbasis machine learning untuk mengklasifikasikan karakteristik siswa penyandang disabilitas menggunakan metode Case-Based Reasoning. Penelitian ini menggunakan data siswa disabilitas SLB Kota Lubuk Linggau sebanyak 103 siswa dengan 30 karakteristik disabilitas yang dikelompokkan menjadi 10 jenis disabilitas sebagai kasus lama yang digunakan sebagai basis pengetahuan. Berdasarkan hasil analisa menggunakan metode case based reasoning yang dikembangkan melalui sistem cerdas diperoleh nilai kemiripan antara kasus lama terhadap 40 kasus baru dengan rata-rata persentase kemiripan 79,25 % dan jumlah terbanyak pada kasus lama (KSL 1 dan KSL 2) yaitu masing masing berjumlah 8 siswa. Sehingga metode ini memiliki tingkat akurasi yang cukup tinggi untuk mengklasifikasi jenis disabilitas siswa berdasarkan karakteristiknya. Dengan demikian sistem ini dapat membantu guru dalam menentukan metode belajar yang tepat bagi siswa disabilitas

Page 42 of 46 | Total Record : 457

 40   41   42   43   44 

Filter by Year

2019 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