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
 42   43   44   45   46 
Algoritma Clustering untuk Menentukan Kategori Siswa Berdasarkan Prestasi pada SMA Pangeran Antasari Ayuni Syahputri; Lili Tanti
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

Abstract

Penentuan kategori prestasi siswa di SMA Pangeran Antasari masih dilakukan secara manual sehingga kurang efisien dan rentan menghasilkan penilaian yang subjektif. Penelitian ini menerapkan algoritma K-Means Clustering untuk mengelompokkan siswa ke dalam tiga kategori prestasi, yaitu tinggi, cukup, dan rendah. Dataset yang digunakan berjumlah 1.091 data siswa, mencakup nilai akademik, absensi, serta prestasi non-akademik. Proses evaluasi model dilakukan menggunakan metode Elbow untuk menentukan jumlah cluster optimal, dan pengujian menggunakan confusion matrix terhadap 30 data uji. Hasil penelitian menunjukkan bahwa algoritma K-Means mampu melakukan pengelompokan dengan baik, dengan tingkat akurasi sebesar 93,33%, serta rata-rata F1-score mencapai 94,2%. Temuan ini memperlihatkan bahwa K-Means efektif dalam memberikan pemetaan prestasi siswa secara objektif dan dapat membantu sekolah dalam proses evaluasi dan pengambilan keputusan akademik.
Model Clustering Anomali Detection pada Jaringan LAN dengan Algoritma K-Means fachrie, Fachrie Ditya; Lili, Lili Tanti
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.v7i2.9173

Abstract

Penelitian ini menganalisis deteksi anomali pada jaringan LAN PT. Jala Lintas Media menggunakan metode clustering K-Means. Sebanyak 156 paket trafik jaringan digunakan sebagai dataset, yang diekstraksi menjadi beberapa fitur utama seperti panjang paket, jenis protokol, flag koneksi, ukuran payload, dan waktu kedatangan paket. Proses clustering dilakukan untuk memisahkan pola trafik normal dan anomali, kemudian hasilnya dievaluasi menggunakan confusion matrix berdasarkan label aktual. Model menghasilkan precision 100%, menunjukkan bahwa seluruh paket yang terdeteksi sebagai anomali benar-benar merupakan anomali. Namun, recall hanya 61%, yang mengindikasikan bahwa model gagal mendeteksi sebagian besar anomali. Rendahnya recall dipengaruhi oleh ketidakseimbangan distribusi data (anomali jauh lebih sedikit), kemiripan fitur antara trafik normal dan anomali, serta nilai K yang belum sepenuhnya memisahkan cluster secara optimal. F1-Score sebesar 76% menunjukkan kebutuhan untuk meningkatkan sensitivitas model terhadap variasi anomali. Penelitian ini berkontribusi pada pemahaman penerapan K-Means dalam deteksi anomali jaringan LAN serta memberikan arah pengembangan metode yang lebih adaptif untuk meningkatkan deteksi anomali di lingkungan jaringan operasional.
Analisis Perbandingan Algoritma K-Nearest Neighbor dan Decision Tree dalam Klasifikasi Tingkat Obesitas Rizki Wahyu Yulianti; Fikri Budiman; Defri Kurniawan
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.v7i2.9227

Abstract

Kasus obesitas yang terus bertambah di era digital dipengaruhi oleh perubahan gaya hidup, pola makan, aktivitas fisik, serta faktor demografis. Untuk mendukung upaya deteksi dini, penelitian ini menerapkan metode machine learning guna mengklasifikasikan tingkat obesitas berdasarkan Obesity Levels Dataset yang memuat 2.111 data individu dengan 17 variabel terkait perilaku dan kondisi fisik. Penelitian berfokus pada analisis perbandingan dua algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Decision Tree, dengan tujuan menilai akurasi, presisi, recall, serta stabilitas performa kedua model setelah melalui proses optimasi. Tahapan penelitian dimulai dengan pembersihan data, imputasi nilai hilang menggunakan median, penghapusan outlier melalui metode IQR, encoding variabel kategori, serta standardisasi fitur numerik. Untuk menangani ketidakseimbangan kelas, digunakan teknik SMOTE sehingga setiap kategori kelas target memiliki distribusi yang seimbang. Model kemudian dilatih menggunakan data latih sebesar 80% dan dievaluasi pada 20% data uji. Optimasi parameter dilakukan menggunakan GridSearchCV. Pada model K-Nearest Neighbor, nilai k terbaik diperoleh pada k = 3 dengan akurasi 86,59%. Sementara itu, Decision Tree mencapai performa optimal pada konfigurasi max_depth = 10, min_samples_split = 5, dan min_samples_leaf = 1. Hasil evaluasi menunjukkan bahwa kedua algoritma mampu melakukan klasifikasi tingkat obesitas dengan baik setelah proses tuning dan penyeimbangan data. Decision Tree memberikan performa yang lebih stabil dalam mengenali pola kompleks antarvariabel, sedangkan K-Nearest Neighbor menunjukkan performa optimal pada nilai k kecil ketika data telah distandarisasi dan diseimbangkan. Penelitian ini memberikan gambaran empiris mengenai efektivitas kedua algoritma dalam pemodelan klasifikasi obesitas serta dapat menjadi dasar pengembangan sistem prediksi kesehatan berbasis machine learning yang lebih akurat dan efisien.
Evaluating Inclusive Public Services In Medan City Using CoCoSo Method Arahman, Hamjah; Hirzi, M. Fakhrul; Monica, Eka Syafrina
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.v7i2.9241

Abstract

Ensuring the inclusiveness of public services remains a critical challenge in urban governance, particularly in decentralized regions characterized by unequal access and service quality. This study evaluates the level of public service inclusivity across sub-districts in Medan City using the Multi-Criteria Decision Making (MCDM) approach, specifically the Combined Compromise Solution (CoCoSo) method. The evaluation is based on ten inclusivity criteria covering physical and digital accessibility, service availability for vulnerable groups, service quality, transparency, community participation, and service innovation. The study employs primary data obtained through direct observations and semi-structured interviews with service users and stakeholders, as well as secondary data derived from official statistics and government documents. CoCoSo integrates the Weighted Sum Model (WSM) and Weighted Product Model (WPM) to generate stable and objective rankings of 21 sub-districts. The final CoCoSo scores range from 0.7262 to 10.7427. The results indicate that Medan Maimun and Medan Petisah achieved the highest and identical scores of 10.7427, reflecting strong performance in accessibility, service quality, and supporting infrastructure. In contrast, several sub-districts exhibit relatively low inclusivity scores, highlighting persistent disparities in service distribution and limited community participation. These findings underscore the need for targeted infrastructure development, expansion of inclusive digital services, and strengthening participatory feedback mechanisms to enhance equitable public service delivery. This study contributes a structured evaluation framework that can support evidence-based policymaking and regular monitoring of public service inclusivity at the local government level.
Implementasi Algoritma Random Forest untuk Prediksi Kesehatan Mental Berdasarkan Faktor Gejala Depresi Jullita, Efandra Eka; Danang Wahyu Utomo
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.v7i2.9258

Abstract

Kesehatan mental adalah fondasi esensial bagi kualitas hidup individu dan produktivitas bangsa, dengan depresi menjadi salah satu kondisi yang paling umum dan memprihatinkan, memengaruhi jutaan orang secara global dan menyebabkan disabilitas signifikan. Diagnosis tradisional depresi yang bergantung pada penilaian klinis subjektif seringkali memakan waktu, memerlukan ketersediaan ahli, dan dapat terhambat oleh stigma, yang memperlambat penanganan efektif. Kebutuhan akan alat bantu yang objektif, skalabel, dan efisien untuk deteksi dini gejala depresi menjadi sangat mendesak. Penelitian ini mengusulkan solusi inovatif melalui implementasi dan evaluasi algoritma Random Forest untuk prediksi kesehatan mental, khususnya gejala depresi. Algoritma Random Forest, sebagai metode pembelajaran ensemble, dipilih karena kemampuannya dalam mengintegrasikan berbagai faktor risiko kompleks, mengurangi overfitting, serta mencapai akurasi dan stabilitas prediksi yang tinggi, yang sangat relevan untuk data kesehatan mental yang beragam. Hasil pengujian menunjukkan performa model yang sangat tinggi dengan akurasi mencapai 99,97% serta nilai presisi, recall, dan F1-score masing-masing sebesar 1,00. Tujuan utama penelitian ini adalah untuk mengembangkan model prediksi depresi yang akurat dan robust, sekaligus memberikan wawasan tentang faktor-faktor risiko kunci. Diharapkan model ini dapat menjadi alat bantu praktis bagi profesional kesehatan mental, meningkatkan efisiensi skrining awal, mempercepat identifikasi individu berisiko tinggi, dan mendukung pengambilan keputusan klinis yang lebih informatif, serta berkontribusi pada upaya pencegahan dan pengelolaan depresi.
Optimasi Linear Support Vector Machine untuk Deteksi Smishing Multi-Kelas pada Dataset Tidak Seimbang Vannia, Anggun; Muljono
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.v7i2.9299

Abstract

Serangan smishing (SMS phishing) menghadapi tantangan mendasar dalam deteksi berbasis machine learning akibat ketidakseimbangan distribusi kelas pada dataset dunia nyata, di mana instance kelas minoritas (smishing) justru paling kritis untuk diidentifikasi. Penelitian ini mengusulkan sebuah framework robust yang mengoptimasi Linear Support Vector Machine (SVM) dengan strategi hybrid sampling tiga tingkat untuk klasifikasi multi-kelas pada kondisi data tidak seimbang. Framework yang dikembangkan mengintegrasikan ekstraksi fitur hibrida TF-IDF dan meta-features dengan strategi penanganan ketidakseimbangan data yang komprehensif, yang meliputi Random Oversampling (ROS) untuk kelas minoritas, Random Undersampling (RUS) untuk kelas mayoritas, dan Embedding MixUp untuk augmentasi data level embedding. Optimasi parameter melalui GridSearchCV dengan validasi 5-fold berhasil menentukan konfigurasi optimal SVM Linear (C=0.5). Hasil evaluasi pada test set mendemonstrasikan kemampuan klasifikasi yang tinggi dan seimbang, dengan pencapaian akurasi 96,7% dan F1-macro 87,6%. Kinerja yang konsisten merata pada semua kelas ini tercermin dari recall smishing 84% sambil mempertahankan recall ham 99%. Temuan ini menegaskan bahwa kombinasi Linear SVM dan strategi hybrid sampling  berhasil menghasilkan model deteksi smishing yang robust, seimbang, dan siap diimplementasikan dalam skenario dunia nyata.
Penerapan Algoritma Convolutional Neural Network (CNN) pada Aplikasi Presensi Siswa Berbasis Pengenalan Wajah Agustina; Widodo, 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.v7i2.9303

Abstract

Perkembangan teknologi kecerdasan artifisial menghadirkan peluang baru dalam peningkatan efisiensi administrasi akademik, termasuk dalam proses presensi siswa. Sistem presensi konvensional seperti barcode atau sidik jari masih dinilai kurang efektif untuk siswa sekolah dasar karena risiko kartu mudah hilang, antrian panjang, serta kegagalan pemindaian yang cukup sering terjadi. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan merancang dan mengimplementasikan sistem presensi siswa berbasis pengenalan wajah menggunakan algoritma Convolutional Neural Network (CNN) yang mampu bekerja secara real-time. Metode penelitian mencakup studi literatur, pengumpulan data primer berupa 320 foto wajah siswa Kelas 5 di SDN 01 Muara Enim, serta proses pengolahan data melalui normalisasi, konversi ke skala abu-abu, dan augmentasi (rotasi, flip, dan zoom) untuk meningkatkan variasi data. Model CNN kustom yang dibangun terdiri dari beberapa lapisan Convolution2D, Max Pooling, Dense, dan Dropout. Hasil sementara menunjukkan bahwa model yang diusulkan mencapai akurasi 96,8%, presisi 95,4%, dan recall 94,7%, serta memiliki performa Confusion Matrix yang lebih baik dibandingkan model pre-trained seperti VGG16 dan ResNet. Model terbaik kemudian diintegrasikan ke dalam prototipe sistem presensi yang terdiri atas aplikasi Android on-device dan website admin berbasis cloud. Temuan sementara ini menunjukkan bahwa penggunaan CNN berpotensi meningkatkan keakuratan, efisiensi, dan keandalan proses presensi siswa di lingkungan sekolah dasar.
Komparasi Transformer T5 dan BART+BERT Untuk Pembangkitan Kata Kunci Otomatis Dari Abstrak Ilmiah Johan; Panjaitan, Erwin
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.v7i2.9305

Abstract

Peningkatan volume publikasi ilmiah menuntut sistem pengindeksan yang efisien, di mana kata kunci memegang peran krusial. Penelitian ini membandingkan efektivitas dua pendekatan berbasis model transformer—T5 dan kombinasi BART+BERT—dalam membangkitkan kata kunci secara otomatis dari abstrak artikel ilmiah. Eksperimen dilakukan menggunakan 100 artikel jurnal multidisipliner dengan evaluasi berbasis ROUGE (kesamaan leksikal) dan Semantic Similarity (kesamaan makna). Hasil menunjukkan bahwa T5 unggul dalam menghasilkan kata kunci eksplisit yang presisi dan cocok untuk pengindeksan teknis, dengan skor Semantic F1 0,5233 terhadap ground truth. Sebaliknya, BART lebih efektif menangkap tema keseluruhan abstrak, menghasilkan kata kunci yang representatif secara semantik dengan Semantic F1 0,7517, sehingga ideal untuk sistem rekomendasi atau klasifikasi topik. Filter BERT terbukti meningkatkan kualitas semantik, sementara Jaccard lebih baik dalam pencocokan leksikal. Temuan ini menekankan pentingnya pemilihan model dan strategi filtering yang disesuaikan dengan tujuan aplikasi sistem pembangkitan kata kunci otomatis.
Exchange Sort and Selection Sort Algorithms: Comparison and Theoretical Analysis Putra, Tri Dharma; Purnomo, Rakhmat
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.v7i2.9306

Abstract

The purpose of this study is to analyze the comparison of sorting algorithms. Searching algorithm is a main issue in computer science. Many algorithms have been presented by experts. The main issue is the efficiency of these algorithms. Sorting a large number of data will create time issues. Time needed to sort the data is very crucial in this context. Many sorting algorithms are in the field. Two of them are selection sort and exchange sort algorithms. These two are a popular algorithm in data structure. Exchange sort algorithm is very similar to Bubble Sort. Many say Bubble Sort is the same as Exchange Sort. The difference is in how it compares elements. Exchange sort compares one element to the other elements in the array and swaps elements if necessary. Selection sort algorithm is a combination of sorting and searching. For each process, comparison and theoretical analysis is given. The unsorted elements with the smallest or largest values are searched for and exchanged to their appropriate positions within the array. In the comparison and theoretical analysis 1, it was conducted by hand and we got the numbers to be descending from 11, 23, 30, 39, 41, 51 to be 51, 41, 39, 30, 23, 11. For the comparison and theoretical analysis 2, we got the numbers to be descending from  1, 22, 10, 9, 42, 26 to be 42, 26, 22, 10, 9, 1. The most swap happened in exchange sort of comparison and theoretical analysis 1 with 14 swaps, in the second exchange sort it is only 11 swaps. The research gap is about stages of processes algorithm with methodology systematic literature review. The stages of systematic literature review is presented which is planning, conducting literature search, and reporting. PRISMA flow chart is also presented. a visual representation of the article selection process. This diagram illustrates four main stages: Identification, Screening, Eligibility, Inclusion.
Performance Analysis of Parallel Merge Sort Using MPI (Message Passing Interface) on Big Data Dataset Panggabean, Erwin; Yuda Perwira; Dedi Candro Parulian Sinaga; Annisa Tri Utami; Vincha Swe Meiya Pricilla Sembiring
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.v7i2.9307

Abstract

The rapid growth of data in the era of Big Data demands efficient and scalable algorithms to handle large datasets. Sorting, as a fundamental operation in data processing, plays a crucial role in various computational tasks. This study focuses on the performance analysis of the Parallel Merge Sort algorithm using the Message Passing Interface (MPI) to accelerate sorting operations on large-scale datasets. The implementation utilizes MPI for distributed memory communication across multiple processes, enabling concurrent data partitioning and merging. Experiments were conducted on datasets ranging from several hundred megabytes to multiple gigabytes to evaluate performance metrics such as execution time, speedup, and efficiency. The results demonstrate that the parallel implementation significantly reduces computation time compared to the sequential version, especially as the dataset size and the number of processes increase. However, the performance gain tends to decrease when communication overhead between MPI processes becomes dominant. Overall, the findings indicate that MPI-based Parallel Merge Sort is an effective approach for large-scale data sorting, providing a balance between computation and communication efficiency in parallel environments.

Page 44 of 46 | Total Record : 457

 42   43   44   45   46 

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