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 492 Documents
 44   45   46   47   48 
Detecting Deepfake Videos Using CNN and GRU Methods: Evaluating Performance on the Celeb-DF(v2) Dataset Afandi, Rusdi; Purnama, Bedy
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.v7i2.9372

Abstract

The development of deep learning technology has allowed the emergence of the phenomenon of deepfakes, which is the manipulation of digital videos that resemble real videos with a high level of realism. These technologies pose serious threats to privacy, digital security, and the spread of false information. As the quality of deepfake videos increases, the detection of this fake content becomes increasingly challenging. This study aims to design and evaluate a deepfake video detection model using a combination of Convolutional Neural Network (CNN) and Gated Recurrent Unit (GRU). CNN is used to extract spatial features from each video frame, while GRU is used to capture the temporal relationships between frames. The dataset used is Celeb-DF(v2), which is a benchmark dataset that contains real videos and high-quality deepfake videos. The CNN-GRU model was trained and tested on the dataset, and its performance was evaluated using accuracy, precision, recall, and F1-score metrics.
Optimasi K-Means Menggunakan Algoritma Genetika pada Metode User-based Collaborative Filtering Adilla, Axl; Suksmawati, Affi Nizar; Pertiwi, Affifah Mutiara; Pratama, Kharis Suryandaru
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.v7i2.9382

Abstract

Collaborative filtering merupakan teknik sistem rekomendasi yang menggunakan informasi rating dari beberapa pengguna untuk memprediksi rating suatu item bagi pengguna tertentu. Namun, tidak semua pengguna memberikan rating pada seluruh item. Hal ini menyebabkan ketidakmampuan sistem dalam menentukan nearest neighborhood, sehingga rekomendasi yang dihasilkan menjadi lemah. Penelitian ini mengusulkan penggunaan Algoritma K-Means untuk mengelompokkan neighborhood yang sesuai. Penentuan awal titik pusat klaster pada Algoritma K-Means dioptimalkan menggunakan Algoritma Genetika. Evaluasi dilakukan dengan memvariasikan jumlah klaster optimal pada beberapa metode pengukuran yang digunakan, yaitu Jaccard Similarity Coefficient, Sørensen–Dice Coefficient, dan Hamming Coefficient. Hasil pengujian menggunakan pengukuran Jaccard Similarity Coefficient, Sørensen–Dice Coefficient, dan Hamming Coefficient memperoleh nilai fitness masing-masing sebesar 4.490, 4.979, dan 4.964 untuk jumlah klaster optimal 4 dan 6. Sementara itu, nilai MAPE rata-rata untuk ketiga metode pengukuran kemiripan tersebut sebesar 60%.
DSS Determines the Best Urban Village in handling COVID-19 Using AHP Method Purba, Ramen Antonov
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.v7i2.9384

Abstract

This study aims to develop a Decision Support System (DSS) using the Analytic Hierarchy Process (AHP) method to determine the best-performing urban village in handling COVID-19 in Medan City, Indonesia. The research addresses the problem of the absence of a structured, data-driven evaluation model to objectively measure the performance of 151 urban villages across 21 sub-districts during the pandemic. Four criteria were used in the decision-making process: number of deaths, number of recovered patients, number of active cases, and the level of community compliance. The DSS, developed using a website-based programming language and integrated with the AHP method, generated weighted scores and ranked all evaluated villages. The results indicate that Harjosari I Village (A1), located in Medan Amplas Sub-district, achieved the highest overall score and was identified as the best urban village in handling COVID-19. System usability testing also produced very positive results, with Clarity of Instructions (90), Material Content (90), Discussion (93), and Interface Appearance (90), yielding an average score of 90 categorized as Very Adequate. This study contributes a validated web-based DSS model that supports objective evaluation, enhances transparency, and strengthens evidence-based decision-making for local governments in managing public health crises.
Analisis Pengaruh Hyperparameter terhadap Kinerja MobileNetV2 dan InceptionV3 pada Klasifikasi Retakan Beton rozada, akfi; Baroroh, Nurul; Khoirur Rizky, Muhammad Ivan; Pramunendar, Ricardus Anggi
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.v7i2.9389

Abstract

Deteksi retakan pada permukaan beton merupakan langkah penting dalam menjaga keandalan dan keselamatan struktur infrastruktur. Metode inspeksi visual masih memiliki keterbatasan karena dipengaruhi kondisi lingkungan, subjektivitas operator, serta potensi kesalahan identifikasi. Untuk mengatasi hal tersebut, penelitian ini membandingkan performa dua arsitektur Convolutional Neural Network (CNN), yaitu MobileNetV2 dan InceptionV3, dalam melakukan klasifikasi citra retakan beton. Dataset yang digunakan adalah NYA-Crack-DATA yang terdiri dari dua kelas, yaitu crack dan no-crack, dengan total 5.026 citra. Seluruh citra diproses melalui tahapan pra-pemrosesan dan augmentasi untuk menghasilkan data yang seragam, lebih variatif, serta mendukung proses pelatihan yang stabil pada kedua model modern tersebut.Penelitian ini berfokus pada analisis pengaruh hyperparameter terhadap performa kedua arsitektur CNN tersebut. Empat hyperparameter utama diuji secara bertahap, meliputi learning rate, dropout, batch size, dan epoch. Evaluasi setiap konfigurasi dilakukan menggunakan Stratified 5-Fold Cross-Validation agar hasil yang diperoleh lebih stabil, konsisten, dan tidak bias. MobileNetV2 menunjukkan performa terbaik pada kombinasi learning rate 0.0005, dropout 0.2, batch size 128, dan 30 epoch, dengan akurasi 0.981, presisi 0.979, recall 0.988, dan F1-score 0.984. Sementara itu, InceptionV3 mencapai akurasi tertinggi sebesar 0.966 pada konfigurasi learning rate 0.0003, dropout 0.8, batch size 128, dan 40 epoch.Hasil penelitian menunjukkan bahwa MobileNetV2 lebih unggul dalam akurasi, stabilitas, serta efisiensi komputasi dibandingkan InceptionV3, sehingga lebih sesuai untuk implementasi nyata pada perangkat dengan keterbatasan sumber daya komputasi modern.
Peningkatan Kinerja K-Means Clustering Berdasarkan Pembobotan Jarak Menggunakan Metode Principal Component Analysis Agusnady, Alfian; Sitompul, Opim Salim Sitompul; Tulus, Tulus
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.v7i2.9394

Abstract

Algoritma K-Means memiliki beberapa kelemahan, salah satunya terletak pada model jarak yang digunakan dalam penentuan kemiripan antar data yang memberikan perlakuan yang sama terhadap setiap atribut data, sehingga atribut yang kurang relevan dan memiliki sedikit kontribusi terhadap variasi data dapat memberikan dampak yang cukup berpengaruh terhadap hasil clustering. Hal ini tentu saja dapat menurunkan kinerja algoritma K-Means. Pembobotan atribut merupakan salah satu cara yang dapat digunakan untuk mendapatkan korelasi atribut data terhadap variasi data. Semakin tinggi nilai bobot dari suatu atribut maka semakin besar korelasinya terhadap variasi data, sehingga nilai bobot yang rendah dari suatu atribut tentunya memiliki sedikit kontribusi terhadap variasi data dan dapat memberikan dampak yang cukup berpengaruh terhadap kinerja dan hasil clustering. Pada penelitian ini, metode yang digunakan dalam perhitungan bobot atribut data yaitu Principal Component Analysis (PCA). Untuk melakukan pengujian terhadap metode yang diusulkan, maka penelitian ini menggunakan dataset dari UCI Machine Learning yang terdiri dari 351 data Ionosphere, 4177 data Abalone serta 1096 data kualitas udara dari Laboratorium Udara Kota Pekanbaru dan 120 data kualitas air. Evaluasi kinerja  Clustering yang diusulkan berdasarkan nilai Sum of Square Error (SSE). Hasil pengujian pada penelitian ini terlihat bahwa dengan metode yang diusulkan dapat menghasilkan nilai SSE yang signifikan lebih kecil.
Sistem Monitoring dan Verifikasi Riwayat Kendaraan Bekas Berbasis QR Code pada Showroom Motor Hakiki, Ahmad Dyan; Ujianto , Erik Iman Heri
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.v7i2.9403

Abstract

Kurangnya keterbukaan informasi terkait riwayat kendaraan, seperti catatan servis, kepemilikan, dan status pajak, sering menurunkan kepercayaan konsumen terhadap showroom kendaraan bekas. Penelitian ini bertujuan untuk mengembangkan sistem informasi yang mampu meningkatkan transparansi dan keandalan data kendaraan dengan memanfaatkan teknologi Kode Respons Cepat. Sistem ini dirancang untuk menampilkan informasi kendaraan secara digital, akurat, dan mudah diakses oleh konsumen. Penelitian menggunakan metode pengembangan sistem yang meliputi tahapan analisis kebutuhan, perancangan, implementasi, dan pengujian. Data penelitian diperoleh melalui observasi, wawancara, dan dokumentasi di showroom Imam Jaya Motor, Kabupaten Bekasi. Sistem yang dibangun terdiri dari dua komponen utama, yaitu website admin untuk pengelolaan data kendaraan dan aplikasi mobile untuk pemindaian serta penampilan detail kendaraan. Hasil pengujian menggunakan metode black box menunjukkan bahwa seluruh fitur utama, seperti login, pengelolaan data, pembuatan kode, dan pemindaian kendaraan, berfungsi dengan baik. Penelitian ini menyimpulkan bahwa penerapan sistem berbasis Kode Respons Cepat dapat menjadi solusi efektif dalam meningkatkan efisiensi operasional dan kepercayaan konsumen terhadap layanan showroom kendaraan bekas.
Analyzing ChatGPT Impact on Student Productivity in Information Technology Program at Politeknik Negeri Tanah Laut Hafizd, Khairul Anwar; Manalu, Mamed Rofendi; Arif, M Aidil
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.v7i2.9495

Abstract

The rapid development of generative artificial intelligence, particularly ChatGPT, has transformed the way students complete academic tasks, especially in the field of Information Technology. Despite its widespread adoption, concerns remain regarding its impact on students’ productivity and learning quality. This study aims to analyze the effect of ChatGPT usage on the productivity of students in the Information Technology Study Program at Politeknik Negeri Tanah Laut. A quantitative research approach with a survey method was employed. Data were collected through a Likert-scale questionnaire distributed to active students who had used ChatGPT for academic purposes. The collected data were analyzed using validity and reliability tests, followed by simple linear regression analysis to examine the effect of ChatGPT usage on student productivity. The results indicate that ChatGPT usage has a positive and significant effect on student productivity. Productivity improvements are mainly observed in task efficiency and timely task completion. However, the quality of academic outputs remains highly dependent on students’ ability to critically evaluate, verify, and further develop the outputs generated by ChatGPT. These findings suggest that ChatGPT functions effectively as an academic assistant rather than a substitute for critical thinking and independent learning. This study concludes that ChatGPT can be utilized as a supportive academic tool to enhance student productivity when used appropriately and responsibly, supported by adequate AI literacy and academic supervision. The findings are expected to provide empirical insights for higher education institutions in formulating policies and guidelines for the ethical and productive use of ChatGPT in academic activities.
Perbandingan Random Forest dan XGBoost dalam Penentuan Jenis Perawatan Pasien Berdasarkan Hasil laboratorium Darah Momongan, Trhecia Priscila; Jong, Jek Siang; Santoso, Halim Budi
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i3.9378

Abstract

Umumnya, keputusan rawat inap dan rawat jalan seorang pasien ditentukan secara subyektif oleh dokter menggunakan hasil laboratorium darah. Pada pasien yang masuk melalui Instalasi Gawat Darurat, keputusan tersebut dilakukan oleh dokter umum yang menangani banyak pasien sekaligus sehingga berpotensi salah keputusan. Machine Learning dapat dipakai untuk membantu dokter dalam pengambilan keputusan jenis perawatan. Penelitian ini membandingkan performa Random Forest dan XGBoost dalam memprediksi jenis perawatan pasien. Dataset yang digunakan berisi 4.412 data pasien dari beberapa rumah sakit swasta di Indonesia, dengan 11 atribut mencakup profil pasien serta hasil laboratorium seperti hematokrit, hemoglobin, eritrosit, leukosit, trombosit, MCH, MCHC, dan MCV. Dataset termasuk dalam kategori ketidakseimbangan ringan karena terdiri dari 59,6% pasien rawat jalan dan 40,4% rawat inap. Pengujian dilakukan menggunakan parameter default maupun dengan pengaturan fitur.  Hasil pengujian menunjukkan bahwa kinerja Random Forest lebih baik dibanding XGBoost. Model Random Forest terbaik didapat dengan menggunakan parameter default dengan feature selection, mencapai akurasi 77%, presisi 77%, recall 77%, F1-Score 76% dan ROC-AUC 81,4%. XGBoost terbaik diperoleh dengan menggunakan default parameter seluruh variabel, dengan akurasi 76%, presisi 74%, recall 76%,  F1-Score 75% dan ROC-AUC  80,2%. Random Forest menunjukkan keseimbangan prediksi antar kelas dan sensitivitas serta spesifisitas tinggi sehingga efektif dalam mendukung keputusan klinis. Penelitian selanjutnya dapat difokuskan pada metode feature selection dan optimasi parameter yang mempertimbangkan waktu dan beban komputasi.
Analisis Sentimen Ulasan Pengguna pada Aplikasi Gojek Menggunakan Metode Deep Learning Berbasis Algoritma LSTM Sihotang, Raphael Hasiando; Suhirman
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i3.9390

Abstract

Aplikasi layanan transportasi seperti Gojek sudah menjadi bagian dari kehidupan sehari-hari masyarakat. Seiring bertambahnya jumlah pengguna, makin banyak juga ulasan yang masuk terkait pengalaman mereka menggunakan aplikasi ini. Namun, sering ditemukan ketidaksesuaian antara skor bintang yang diberikan dengan isi ulasan, seperti pemberian skor tinggi yang disertai keluhan atau pengalaman buruk. Hal ini dapat menyulitkan pihak Gojek dalam mengidentifikasi kendala layanan atau sentimen pengguna apabila hanya mengandalkan skor bintang. Salah satu solusi untuk membantu pihak Gojek dalam mengidentifikasi kendala layanan secara otomatis adalah menerapkan analisis sentimen berbasis algoritma Long Short-Term Memory (LSTM) terhadap ulasan pengguna di Google Play Store. Penelitian ini bertujuan untuk menerapkan algoritma LSTM dalam melakukan klasifikasi sentimen ulasan pengguna ke dalam tiga kategori, yaitu positif, netral, dan negatif. Kontribusi penelitian ini terletak pada pengembangan model klasifikasi tiga kelas berbasis LSTM dengan pelabelan manual berbasis konteks, penerapan Random Oversampling untuk menangani kelas minoritas, serta preprocessing teks mendalam dan embedding FastText untuk meningkatkan performa model. Hasil pengujian menunjukkan model LSTM mencapai akurasi 88.15%, dengan F1 score positif 73%, netral 7%, dan negatif 94%. Model Bidirectional LSTM sebagai pembanding mencapai akurasi 90.32%, dengan F1 score positif 78%, netral 12%, dan negatif 95%. Kelas netral dapat diprediksi oleh kedua model, namun masih sulit diprediksi secara akurat.
Classification of Lung Cancer using Vision Transformer on Histopathological Images Raihan Akbar, Muhamad Rafi; Novia Wisesty, Untari
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i3.9399

Abstract

Lung cancer is the leading cause of cancer-related deaths worldwide, with early diagnosis often hindered by morphological variations in histopathological images. The main problem is the difficulty in accurately and rapidly distinguishing cancer types such as adenocarcinoma and squamous cell carcinoma from benign tissue. This research processes histopathological images as input to produce a three-class classification: adenocarcinoma, squamous cell carcinoma, and benign tissue. Early detection of lung cancer can improve survival rates by up to 50%, but manual diagnosis by pathologists depends on subjective experience, causing errors of up to 20% in ambiguous cases. For example, in developing countries like Indonesia, the shortage of pathologists exacerbates treatment delays. This gap demands a reliable automated approach to support more timely clinical decisions. The developed solution involves implementing Vision Transformer (ViT) with two different architectures: ViT-B/16 (base model with 86 million parameters) and ViT-L/16 (large model with 304 million parameters). Histopathological images are processed through normalization and patch embedding of 16×16 pixels, then features are extracted using self-attention mechanism. Models are trained with transfer learning from ImageNet-21k, applying fine- tuning on lung cancer histopathological images dataset. The process includes data splitting into training (70%), validation (15%), and testing (15%), as well as data augmentation to improve robustness. The ViT-B/16 model achieved testing accuracy of 98.40% with F1-score of 0.984, while ViT-L/16 achieved accuracy of 98.18% with F1-score of 0.982. Both models demonstrated perfect capability in detecting benign tissues (precision 1.00). The average AUC-ROC value reached 0.999 for ViT-B/16 and 0.998 for ViT-L/16, indicating very high discriminative power. The main contribution of this research is a comprehensive comparison between two scales of Vision Transformer for automated lung cancer diagnosis, proving that the smaller model (ViT-B/16) can achieve equivalent or better performance with higher computational efficiency.

Page 46 of 50 | Total Record : 492

 44   45   46   47   48 

Filter by Year

2019 2026


Reset
Filter By Issues
All Issue Vol. 7 No. 3 (2026): Maret 2026 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