Jurnal Sistem Komputer dan Informatika (JSON)
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)
Articles
492 Documents
<![CDATA[Pengenalan Emosi Ucapan Menggunakan Bidirectional Long Short Term Memory Pada Podcast Malaka ]]>
<![CDATA[Kharisma Dwi Pratiwi]]>;
<![CDATA[Bambang Irawan]]>;
<![CDATA[Otong Saeful Batchri]]>
<![CDATA[ Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026 ]]>
Publisher : <![CDATA[Universitas Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/json.v7i3.9432
<![CDATA[Penelitian ini mengembangkan sistem pengenalan emosi ujaran berbahasa Indonesia menggunakan metode Bidirectional Long Short Term Memory (BiLSTM) dengan sumber data berupa ujaran alami dari podcast Malaka. Dataset diperoleh dari audio YouTube yang di konversi ke format WAV, disegmentasi, serta dilabeli emosi marah, netral, sedih dan senang berdasarkan acuan dataset CREMA-D. Tahapan prapemrosesan meliputi silce removal, normalisasi sinyal, dan augmentasi data. Ektrasi ciri dilakukan menggunakan Mel-Frequency Cepstral Coefficients (MFCC) beserta fitur delta dan delta-delta untuk mempresentasikan karakteristik spektral dan temporal sinyal suara. Model Bidirectional Long Short Term Memory dilatih dengan pembagian data 80% data latih, 10% data validasi, dan 10% data uji, serta dioptimasi dengan menggunakan algoritma adam. Hasil pengujian menunjukan bahwa model mencapai akurasi terbaik sebesar 80.32% dengan nilai pecision, recall, dan f1-score yang relatif seimbang pada seluruh kelas emosi. Hasil ini menunjukan bahwa Bidirectional Long Short Term Memory (BiLSTM) efektif dalam memodelkan dinamika temporal emosi pada ujaran podcast berbahasa indonesia.]]>
<![CDATA[Analisis Tingkat Stres Pengguna Twitter pada Menfess “Tanyarl” Menggunakan IndoBERT ]]>
<![CDATA[Nadia Nur Alifiana]]>;
<![CDATA[Bambang Irawan]]>;
<![CDATA[Otong Saeful Bachri]]>
<![CDATA[ Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026 ]]>
Publisher : <![CDATA[Universitas Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/json.v7i3.9433
<![CDATA[Twitter merupakan salah satu media sosial berbasis teks yang banyak dimanfaatkan pengguna sebagai ruang untuk mengekspresikan kondisi emosional dan tekanan psikologis secara terbuka, khususnya melalui akun menfess yang bersifat anonim. Karakter anonim tersebut mendorong pengguna untuk menyampaikan keluhan, perasaan tertekan, dan stres yang dialami dalam kehidupan sehari-hari. Namun, tingginya volume dan variasi bahasa informal dan kontekstual pada menfess menyebabkan proses identifikasi tingkat stres secara manual menjadi tidak efisien dan rentan terhadap subjektivitas. Penelitian sebelumnya umumnya masih terbatas pada klasifikasi biner atau menggunakan metode konvensional yang kurang mampu menangkap konteks semantik bahasa Indonesia secara optimal. Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk mengembangkan sistem deteksi tingkat stres pengguna Twitter pada menfess “Tanyarl” dengan memanfaatkan pendekatan kecerdasan buatan melalui fine-tuning model IndoBERT. Data unggahan (tweet) dikumpulkan melalui proses crawling menggunakan Harvest-Tweet, kemudian diproses melalui tahapan preprocessing teks dan pelabelan semi-otomatis ke dalam tiga kategori tingkat stres, yaitu stres, tidak stres, dan netral. Dataset yang telah diproses selanjutnya digunakan untuk melatih model IndoBERT dengan pendekatan klasifikasi multi-kelas. Hasil evaluasi menunjukkan bahwa model IndoBERT mencapai nilai akurasi sebesar 84% serta macro F1-score sebesar 85%, yang menandakan performa model yang konsisten pada seluruh kelas stres. Hasil ini membuktikan bahwa IndoBERT efektif dalam memahami konteks linguistik dan ekspresi emosional pada teks media sosial berbahasa Indonesia. Kontribusi penelitian ini meliputi penerapan model transformer untuk mendeteksi tingkat stres berbasis menfess anonim, pengembangan klasifikasi multi-kelas stres, serta penyediaan bukti empiris efektivitas IndoBERT dalam analisis kesehatan mental berbasis data media sosial.]]>
<![CDATA[Analisis Sentimen Publik Terhadap Makan Bergizi Gratis Menggunakan Bi-LSTM dan IndoBERT ]]>
<![CDATA[Almira Putri Wibowo]]>;
<![CDATA[Dedi Gunawan]]>
<![CDATA[ Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026 ]]>
Publisher : <![CDATA[Universitas Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/json.v7i3.9458
<![CDATA[Program Makan Bergizi Gratis (MBG) yang direncanakan pemerintah pada tahun 2024 menjadi perbincangan luas di media sosial, khususnya Twitter dan TikTok, dengan beragam opini yang mencerminkan persepsi publik terhadap implementasinya. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap Program Makan Bergizi Gratis menggunakan pendekatan deep learning. Data dikumpulkan melalui metode crawling dan scraping dari Twitter dan TikTok, menghasilkan 7.341 data setelah proses data cleaning. Pelabelan dilakukan menggunakan dua pendekatan, yaitu pelabelan manual dan pelabelan otomatis berbasis IndoBERTweet. Penelitian ini membandingkan kinerja dua model, yaitu Bidirectional Long Short-Term Memory (Bi-LSTM) dan IndoBERT, dengan variasi learning rate 3e-5 dan 5e-5. Hasil eksperimen menunjukkan bahwa IndoBERT secara konsisten menghasilkan performa yang lebih baik dibandingkan Bi-LSTM pada kedua metode pelabelan. Konfigurasi optimal diperoleh pada pelabelan otomatis dengan learning rate 3e-5 yang mencapai akurasi 82% dan F1-Score 79%. Hasil analisis juga menunjukkan bahwa sentimen publik terhadap Program Makan Bergizi Gratis didominasi oleh sentimen negatif. Selain itu, dikembangkan aplikasi web berbasis Flask untuk prediksi sentimen secara real-time. Penelitian ini diharapkan dapat menjadi acuan dalam pengembangan analisis sentimen bahasa Indonesia yang lebih efektif dan akurat.]]>
<![CDATA[Sistem Manajemen Stok Percetakan Menggunakan Algoritma FIFO dan Model Martingale Berbasis Web ]]>
<![CDATA[safridha Audi Apriliasunfity]]>;
<![CDATA[Dedi Gunawan]]>
<![CDATA[ Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026 ]]>
Publisher : <![CDATA[Universitas Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/json.v7i3.9464
<![CDATA[Perkembangan teknologi informasi mendorong usaha percetakan untuk meningkatkan efisiensi operasional melalui sistem berbasis website. Namun, CV 2 Audi Digital Printing masih mengelola pemesanan dan persediaan bahan baku secara manual, sehingga menyebabkan pencatatan kurang akurat, potensi selisih stok, dan keterlambatan pemesanan bahan saat permintaan meningkat. Penelitian ini bertujuan merancang dan mengimplementasikan sistem pemesanan dan menajemen bahan percetakan berbasis website yang mengintegrasikan algoritma First In First Out (FIFO) dan Martingale Model dalam manajemen stok serta dilengkapi Early Warning System berbasis notifikasi WhatsApp. Sistem dikembangkan menggunakan metode Software Development Life Cycle (SDLC) dengan pendekatan Waterfall. Hasil penelitian menunjukkan bahwa sistem mampu mengelola pemesanan dan persediaan bahan baku secara terintegrasi serta memberikan notifikasi otomatis saat stok mendekati batas minimum. Pengujian Black Box menunjukkan seluruh fungsi sistem berjalan dengan baik, sedangkan evaluasi System Usability Scale (SUS) menghasilkan skor rata-rata 79 dengan kategori Good, yang menandakan sistem layak digunakan dan mampu meningkatkan efisiensi operasional usaha percetakan.]]>
<![CDATA[Analisis Sentimen Pengguna X terhadap IKN Menggunakan Word2Vec dan IndoBERT ]]>
<![CDATA[Luthfiana]]>;
<![CDATA[Dedi Gunawan]]>
<![CDATA[ Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026 ]]>
Publisher : <![CDATA[Universitas Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/json.v7i3.9468
<![CDATA[Pembangunan Ibu Kota Nusantara (IKN) di Kalimantan Timur adalah kebijakan strategis nasional yang menimbulkan beragam respons di tengah masyarakat. Media sosial X (Twitter) salah satu ruang utama bagi publik dengan tujuan menyampaikan pandangan, baik berupa dukungan ataupun kritik, terhadap kebijakan tersebut. Fokus penelitian ini adalah untuk mengevaluasi persepsi masyarakat tentang pembangunan IKN dengan membandingkan kinerja algoritma Word2Vec yang diklasifikasikan menggunakan Support Vector Machine (SVM) dan model IndoBERT Fine-Tuning. Data penelitian diperoleh dengan proses crawling tweet berbahasa Indonesia pada periode 2022 hingga 2025 dengan memanfaatkan istilah yang relevan terhadap pembangunan IKN. Sebanyak 2.667 dataset yang telah menjalani tahap pelabelan manual dan otomatis serta preprocessing, yang terdiri dari text cleaning, case folding, normalisasi, dan tokenisasi, digunakan dalam proses pemodelan. Dataset kemudian dibagi menjadi data latih dan data uji dengan rasio 80:20. Evaluasi performa model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model IndoBERT Fine-Tuning dengan pelabelan manual menghasilkan performa terbaik dengan nilai accuracy sebesar 0.900 dan F1-score sebesar 0.899 serta mampu mengungguli pendekatan Word2Vec–SVM. Analisis ini menegaskan bahwa model berbasis Transformer lebih efektif dalam memahami konteks bahasa Indonesia pada data media sosial. Hasil analisis sentimen selanjutnya disajikan dalam bentuk dashboard interaktif untuk memudahkan interpretasi opini publik terhadap pembangunan Ibu Kota Nusantara.]]>
<![CDATA[Analisis Perbandingan Performa NMF dengan LDA pada Topik Modeling Berita Online Indonesia ]]>
<![CDATA[Latifah Nurrohmah Handayani]]>;
<![CDATA[Lucia Nugraheni Harnaningrum]]>
<![CDATA[ Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026 ]]>
Publisher : <![CDATA[Universitas Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/json.v7i3.9469
<![CDATA[Pertumbuhan konten berita digital di Indonesia menciptakan kebutuhan akan metode otomatis untuk mengekstraksi topik-topik utama dari dataset teks berita berskala besar. Penelitian ini melakukan analisis komparatif performa Non-negative Matrix Factorization (NMF) dan Latent Dirichlet Allocation (LDA) dalam tugas topic modeling berita online Indonesia dari tiga media: CNBC Indonesia, Kompas.com, dan Detik.com. Dataset terdiri dari 4.500 artikel berita dengan preprocessing meliputi tokenisasi, penghapusan stopwords, serta ekstraksi fitur menggunakan TF-IDF untuk NMF dan Count Vectorizer untuk LDA. Evaluasi performa dilakukan menggunakan coherence score (Cᵥ), topic diversity, silhouette score, dan uji chi-square untuk distribusi topik antar media. Hasil menunjukkan bahwa NMF memiliki nilai coherence lebih tinggi (0.7544) dibandingkan LDA (0.5600), topic diversity yang lebih baik (0.9400 vs 0.8400), serta efisiensi waktu training yang lebih tinggi (1.60 detik vs 108.30 detik). Uji chi-square mengonfirmasi perbedaan signifikan (p < 0.001) dalam distribusi topik antar media. Berdasarkan hasil evaluasi pada dataset yang digunakan, NMF menunjukkan performa yang lebih baik dibandingkan LDA dalam konteks topic modeling berita online Indonesia.]]>
<![CDATA[Perbandingan Performa Multi-Algoritma Machine Learning dengan Dua Strategi Validasi pada Klasifikasi Curah Hujan ]]>
<![CDATA[I Dewa Gede Loka Maheswara]]>;
<![CDATA[Arya Zaki Ramadhan]]>;
<![CDATA[Rica Azzura Maldina]]>;
<![CDATA[Muhammad Fany Nurwibowo]]>;
<![CDATA[Yosik Norman]]>
<![CDATA[ Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026 ]]>
Publisher : <![CDATA[Universitas Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/json.v7i3.9475
<![CDATA[Prediksi curah hujan yang akurat masih menjadi tantangan karena kompleksitas proses atmosfer serta dampaknya terhadap berbagai sektor. Performa algoritma machine learning dalam klasifikasi curah hujan sangat dipengaruhi oleh karakteristik data dan metode validasi, sehingga diperlukan evaluasi komparatif untuk menentukan model yang paling sesuai pada konteks lokal. Penelitian ini bertujuan membandingkan performa lima model machine learning, yaitu Random Forest, XGBoost, Support Vector Machine, K-Nearest Neighbor, dan Decision Tree dalam klasifikasi curah hujan di Kabupaten Tapanuli Tengah menggunakan data observasi harian periode 2015–2024 sebanyak 32.796 data yang diperoleh dari Stasiun Meteorologi FL Tobing. Evaluasi dilakukan melalui skema pembagian data dan 10-cross fold validation dengan metrik precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa Random Forest secara konsisten memberikan performa terbaik pada kedua skema validasi dengan f1-score sebesar 62% dan 63%, lebih stabil dibandingkan model lainnya pada kondisi distribusi kelas yang tidak seimbang. Temuan ini menunjukkan bahwa pendekatan ensemble lebih adaptif dalam menangkap hubungan nonlinier parameter meteorologi serta memberikan dasar metodologis dalam pemilihan model klasifikasi curah hujan untuk mendukung mitigasi bencana hidrometeorologi.]]>
<![CDATA[Analisis Sentimen Ulasan Pengguna LinkedIn Menggunakan Naïve Bayes dan K-Nearest Neighbor ]]>
<![CDATA[Firdaus, Ricko Muhammad]]>;
<![CDATA[Eko Darmanto]]>;
<![CDATA[Rhoedy Setiawan]]>
<![CDATA[ Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026 ]]>
Publisher : <![CDATA[Universitas Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/json.v7i3.9486
<![CDATA[Perkembangan aplikasi profesional seperti LinkedIn mendorong meningkatnya jumlah ulasan pengguna, namun volume data yang besar menyulitkan proses analisis sentimen secara manual. Permasalahan utama dalam penelitian ini adalah bagaimana mengklasifikasikan sentimen ulasan pengguna secara akurat untuk mengetahui persepsi pengguna terhadap aplikasi LinkedIn. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naïve Bayes dan K-Nearest Neighbor (KNN) dalam analisis sentimen ulasan pengguna LinkedIn. Metode penelitian yang digunakan adalah CRISP-DM, dengan tahapan preprocessing teks .Ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Dataset yang digunakan terdiri dari 3.500 ulasan pengguna dengan pembagian data latih dan data uji sebesar 80% dan 20%. Hasil evaluasi menunjukkan bahwa algoritma Naïve Bayes memperoleh performa yang lebih baik dengan accuracy sebesar 88%, nilai AUC sebesar 0,9424, sedangkan KNN menghasilkan accuracy sebesar 79% dan nilai AUC sebesar 0,8557. Hasil penelitian ini menunjukkan bahwa Naïve Bayes lebih efektif dalam mengklasifikasikan sentimen ulasan aplikasi LinkedIn dan dapat diimplementasikan ke dalam aplikasi berbasis web sebagai sistem pendukung analisis sentimen.]]>
<![CDATA[Implementasi Metode Moving Average untuk Prediksi Stok Bahan Baku pada Rumah Makan ]]>
<![CDATA[Inandra Asha Fardhana]]>;
<![CDATA[Endah Sudarmilah]]>
<![CDATA[ Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026 ]]>
Publisher : <![CDATA[Universitas Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/json.v7i3.9491
<![CDATA[UMKM kuliner seperti Rumah Makan Pak Pangat memegang peranan penting dalam ekonomi lokal, namun seringkali menghadapi tantangan dalam efisiensi operasional akibat proses bisnis yang masih manual. Proses manajemen inventori yang bergantung pada pencatatan fisik dan perencanaan pembelian berbasis intuisi menyebabkan berbagai kendala, seperti ketidakakuratan data stok, risiko pemborosan bahan baku (food waste) akibat over-stocking, dan hilangnya potensi pendapatan akibat under-stocking. Penelitian ini bertujuan untuk merancang dan membangun sistem informasi guna mendigitalisasi dan mengoptimalkan proses manajemen inventori tersebut. Sistem dikembangkan menggunakan metode Waterfall dengan mengimplementasikan fitur peramalan kebutuhan stok menggunakan algoritma Single Moving Average (SMA). Berdasarkan pengujian fungsionalitas menggunakan Black Box Testing, sistem terbukti berjalan valid sesuai spesifikasi. Evaluasi akurasi peramalan menggunakan Mean Absolute Percentage Error (MAPE) menghasilkan nilai rata-rata 37,78% yang dikategorikan sebagai Layak (Reasonable). Pengujian usability menggunakan System Usability Scale (SUS) terhadap 46 responden menghasilkan skor 78, menempatkan sistem pada kategori Acceptable dengan predikat Grade B. Dengan demikian, sistem yang dihasilkan layak diimplementasikan untuk menyediakan rekomendasi pembelian harian secara otomatis dan meningkatkan efisiensi operasional.]]>
<![CDATA[Analisis Metode Ensemble Berbasis Random Forest untuk Klasifikasi Kejadian Stroke pada Dataset Publik ]]>
<![CDATA[Viki Mei Adi Saputra]]>;
<![CDATA[Mula Agung Barata]]>;
<![CDATA[Denny Nurdiansyah]]>
<![CDATA[ Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 3 (2026): Maret 2026 ]]>
Publisher : <![CDATA[Universitas Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/json.v7i3.9496
<![CDATA[Stroke merupakan salah satu penyebab utama disabilitas dan kematian global, sehingga diperlukan pendekatan berbasis data untuk mendukung klasifikasi kejadian stroke secara sistematis. Penelitian ini menganalisis variasi metode ensemble berbasis Random Forest pada dataset publik healthcare-dataset-stroke-data dari Kaggle yang terdiri dari 5.110 data pasien dengan 11 variabel demografis dan faktor risiko kardiovaskular. Tahapan prapemrosesan meliputi imputasi nilai hilang pada atribut bmi menggunakan median, penanganan outlier dengan metode interquartile range (IQR), serta penyeimbangan kelas menggunakan SMOTE. Tiga skenario model dikembangkan dalam satu pipeline yang seragam, yaitu Random Forest sebagai baseline, Bagging Random Forest, dan AdaBoost Random Forest. Evaluasi dilakukan menggunakan 5-Fold Cross Validation dengan metrik akurasi, presisi, recall, dan F1-score. Hasil analisis menunjukkan adanya perbedaan nilai metrik evaluasi antar skema ensemble, dengan konfigurasi AdaBoost Random Forest menghasilkan nilai akurasi sebesar 94,70% pada konfigurasi pengujian yang digunakan. Studi ini memfokuskan analisis pada variasi strategi ensemble dalam satu kerangka Random Forest dengan pipeline prapemrosesan yang seragam, sehingga menghasilkan evaluasi yang terkontrol dan reprodusibel.]]>
