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
 46   47   48   49   50 
Hybrid Metode Swara-Moora Untuk Meningkatkan Akurasi Penilaian Calon Ketua Organisasi Kesiswaan Sekolah Yusdha, Nur Aflah; Dicky Nofriansyah; Ita Mariami
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.v7i3.9497

Abstract

Proses pemilihan ketua organisasi kesiswaan di MAN 3 Langkat sebelumnya masih dilakukan secara konvensional, yang dapat menyebabkan penilaian calon menjadi tidak objektif. Untuk meningkatkan akurasi dan objektivitas dalam proses seleksi, penelitian ini bertujuan untuk mengembangkan dan menerapkan sistem pendukung keputusan berbasis metode hybrid SWARA–MOORA. Metode SWARA menentukan bobot kriteria berdasarkan tingkat kepentingannya menurut pakar, dan metode MOORA melakukan normalisasi dan perangkingan alternatif. Studi ini memilih sepuluh alternatif ketua organisasi yang layak berdasarkan enam kriteria: kepemimpinan, visi dan misi, prestasi akademik, kedisiplinan, kemampuan komunikasi, dan keaktifan dalam organisasi. Hasil perhitungan menunjukkan bahwa kandidat ketua terbaik dengan nilai tertinggi adalah Alternatif A7. Dengan demikian, penerapan metode SWARA–MOORA terbukti mampu menghasilkan proses pengambilan keputusan yang lebih sistematis, objektif, dan terukur dalam pemilihan ketua organisasi kesiswaan.
Analisis Sentimen Komentar iPhone 17 pada Platform YouTube Menggunakan IndoBERT dan Support Vector Machine MARATUS SHOLIHAH, SITI; Afril Efan Pajri; Ita Aristia Sa’ida
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.v7i3.9507

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen komentar YouTube berbahasa Indonesia terkait iPhone 17 dengan membandingkan metode Support Vector Machine berbasis Term Frequency–Inverse Document Frequency dan model IndoBERT. Data diperoleh melalui proses crawling komentar pada kanal YouTube GadgetIn, kemudian diproses melalui tahapan pre-processing untuk mengurangi noise dan menormalkan teks. Pelabelan sentimen dilakukan secara otomatis menggunakan InSetLexicon dengan dua kelas, yaitu positif dan negatif. Dataset selanjutnya dibagi menggunakan teknik stratified split menjadi data latih, validasi, dan uji. Selain dua model utama, pendekatan ensemble IndoBERT–SVM diuji sebagai metode tambahan untuk menilai stabilitas performa klasifikasi. Evaluasi dilakukan menggunakan confusion matrix serta metrik Accuracy, Precision, Recall, dan F1-score. Hasil pengujian menunjukkan bahwa IndoBERT memperoleh performa terbaik dengan nilai Accuracy sebesar  92, 29%, diikuti oleh model ensemble sebesar 91,63%, dan Support Vector Machine sebesar 88,99%. Temuan ini mengindikasikan bahwa model berbasis transformer lebih efektif dalam memahami konteks bahasa informal pada komentar YouTube dibandingkan metode berbasis fitur tradisional. Dengan demikian, penelitian ini memberikan bukti empiris mengenai efektivitas pendekatan machine learning dan transformer dalam analisis sentimen media sosial berbahasa Indonesia.
Evaluasi Komparatif Metode Feature Selection pada XGBoost Regression untuk Prediksi Panjang Siklus Menstruasi Shofiatuz Zulfia; Mula Agung Barata; Ifnu Wisma Dwi Prastya
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.v7i3.9526

Abstract

Panjang siklus menstruasi menjadi indikator utama dalam kesehatan reproduksi perempuan, namun perbedaan karakteristik individu dan ketidakteraturan siklus menyulitkan proses prediksi secara manual. Kondisi tersebut mendorong perlunya pendekatan berbasis data yang mampu menghasilkan prediksi panjang siklus menstruasi secara akurat dan konsisten. Penelitian ini bertujuan untuk melakukan evaluasi komparatif berbagai metode feature selection pada algoritma XGBoost Regression dalam memprediksi panjang siklus menstruasi. Dataset penelitian diperoleh dari Kaggle dan terdiri atas 162 data yang mencakup atribut fisiologis dan demografis perempuan. Tahapan penelitian meliputi preprocessing data, normalisasi menggunakan StandardScaler, pembagian data latih dan data uji dengan rasio 80:20, serta validasi 10-fold cross-validation untuk menguji stabilitas model. Empat skenario pemodelan dievaluasi, yaitu tanpa feature selection sebagai baseline, forward selection, backward elimination, dan optimized selection berbasis ensemble feature selection dari lima metode seleksi fitur. Hasil evaluasi menunjukkan bahwa metode forward selection memberikan performa terbaik dengan nilai R² sebesar 0,9005, RMSE 1,45 hari, MAE 0,57 hari, dan MAPE 1,73% (kesalahan relatif rata-rata < 2% terhadap panjang siklus 25-30 hari), serta meningkatkan nilai R² sebesar 0,1696 poin (dari 0,7309 menjadi 0,9005), setara dengan peningkatan relatif 23,2% terhadap nilai baseline. Temuan ini menunjukkan bahwa pemilihan metode feature selection yang tepat berpengaruh terhadap peningkatan performa prediktif dan stabilitas model XGBoost Regression dalam prediksi panjang siklus menstruasi.
Evaluasi Komparatif Transfer Learning Convolutional Neural Network untuk Klasifikasi Penyakit Daun Mangga jacinda, nisrina; Nafiiyah, Nur
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.v7i3.9538

Abstract

Salah satu faktor utama yang dapat menurunkan produktivitas dan kualitas hasil pertanian adalah penyakit daun mangga. Penyakit yang diidentifikasi secara manual masih bergantung pada pengalaman petani, yang dapat menyebabkan kesalahan. Oleh karena itu, dapat menggunakan teknik transfer learning Convolutional Neural Network (CNN), tujuan penelitian ini adalah untuk mengklasifikasikan berbagai jenis penyakit yang menyerang daun mangga. Dengan 4.000 gambar, dataset yang digunakan berasal dari Kaggle dan terdiri dari delapan kelas: anthracnose, bacterial canker, cutting weevil, die back, gall midge, sehat, powdery mildew, dan sooty mold. Dalam eksperimen ini, empat arsitektur CNN ResNet50, ConvNeXt-Tiny, DenseNet121, MobileNetV2, dan yang lainnya dimodifikasi dengan Global Average Pooling, Batch Normalization, dan Lapisan Dense. Hasilnya menunjukkan bahwa ResNet50 dan ConvNeXt-Tiny memberikan tingkat akurasi terbaik, masing-masing 96,13% dan 95,88%, dengan skor F1 di atas 95%. Temuan ini menunjukkan bahwa pemilihan arsitektur CNN memiliki dampak yang signifikan.
Evaluasi Kinerja Model CNN Berbasis Transfer Learning dalam Klasifikasi Penyakit Daun Padi tsabit yunan al rajab; Nafiiyah, Nur
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.v7i3.9539

Abstract

Salah satu penyebab utama penurunan produktivitas pertanian adalah penyakit daun padi, yang berdampak langsung pada ketahanan pangan nasional. Tujuan dari penelitian ini adalah untuk mengevaluasi dan membandingkan kinerja sembilan arsitektur Convolutional Neural Network (CNN) berbasis transfer learning dalam klasifikasi penyakit daun padi. Arsitektur-arsitektur ini termasuk DenseNet121, InceptionV3, MobileNet, MobileNetV2, MobileNetV3Large, NASNetLarge, ResNet101, VGG16, dan Xception. Tiga kelas penyakit (Blast, Blight, dan Tungro) terdiri dari dataset Kaggle. Data asli digunakan sebagai data pengujian untuk menjaga objektivitas evaluasi, sedangkan data hasil augmentasi digunakan sebagai data pelatihan. Setiap model dilengkapi dengan lapisan Global Average Pooling, Batch Normalization, dan Dense (128). Selain itu, setiap model dilatih menggunakan optimizer SGD yang memiliki tingkat pembelajaran 0,001, epoch 30, ukuran batch 2, dan fungsi kehilangan kategoris crossentropy. Akurasi, precision, recall, dan skor F1 digunakan untuk menilai. Hasil penelitian menunjukkan bahwa MobileNetV3Large, VGG16, dan ResNet101 memiliki akurasi tertinggi sebesar 100,00%, 99,58%, dan 99,17%, masing-masing. Hasil ini menunjukkan bahwa kinerja klasifikasi penyakit daun padi dipengaruhi secara signifikan oleh pilihan arsitektur CNN yang tepat. Selain itu, temuan ini menunjukkan bahwa pembelajaran transfer dapat menjadi cara yang efektif untuk membangun sistem AI yang mendeteksi penyakit tanaman secara dini.
Klasifikasi Stance Opini Publik Komentar TikTok Kasus Guru Menampar Murid memakai TF-IDF dan SVM Yusra, Salsabila; Putri, Raissa Amanda
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.v7i3.9544

Abstract

Media sosial TikTok menjadi salah satu platform utama dalam menyampaikan opini publik terhadap isu sosial yang bersifat viral, termasuk kasus guru yang menampar murid karena merokok di sekolah. Kasus ini memunculkan perbedaan pandangan yang tajam di masyarakat antara pihak yang mendukung tindakan guru sebagai bentuk pendisiplinan dan pihak yang menilai tindakan tersebut sebagai bentuk kekerasan dalam pendidikan. Penelitian ini bertujuan untuk menganalisis sentimen publik di TikTok terhadap kasus tersebut menggunakan metode Support Vector Machine (SVM). Data penelitian berupa 2.200 komentar publik dikumpulkan melalui teknik web scraping menggunakan Apify Web Scraper dan diolah menggunakan Google Colab. Tahapan penelitian meliputi preprocessing teks yang terdiri dari cleaning, case folding, tokenization, normalisasi, stopword removal, dan stemming. Selanjutnya, fitur diekstraksi menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) dan diklasifikasikan ke dalam empat kategori sentimen, yaitu Mendukung Guru, Menyalahkan Guru, Mendukung Murid, dan Menyalahkan Murid. Hasil penelitian menunjukkan bahwa metode SVM dengan kernel linear berhasil mengklasifikasikan sentimen publik dengan akurasi 94% (precision 0.94, recall 0.94, F1-score 0.94). Distribusi sentimen menunjukkan 69.2% komentar mendukung guru, 20.8% mendukung murid, 5.5% menyalahkan guru, dan 4.5% menyalahkan murid. Hasil ini memberikan gambaran komprehensif bahwa mayoritas masyarakat cenderung membenarkan tindakan disiplin guru, meskipun terdapat kesadaran yang berkembang terhadap perlindungan anak dan penolakan kekerasan dalam dunia pendidikan.
Evaluasi User Experience Pada Aplikasi JConnect Mobile Menggunakan MeCUE 2.0 dan Usability Testing Putri, Dina Setia; Nurlifa, Alfian; Arifia, Amaludin
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.v7i3.9572

Abstract

JConnect Mobile merupakan aplikasi yang dikembangkan oleh Bank Jatim untuk memberikan layanan transaksi digital bagi nasabah yang praktis dan efisien. Penelitian ini bertujuan untuk mengevaluasi User Experience dan usability aplikasi JConnect Mobile dengan menerapkan metode Modular Evaluation of Key Components of User Experience (MeCUE 2.0) dan Usability Testing. Penelitian ini menggunakan mixed methods dengan desain sequential explanatory, menggabungkan analisis kuantitatif melalui penyebaran kuesioner MeCUE 2.0 kepada 100 responden dan usability testing terhadap 15 partisipan dengan metode yang berbasis tugas dan think-aloud protocol. Hasil pengukuran MeCUE 2.0 menunjukkan bahwa rata-rata overall evaluation 4,08, yang dikategorikan sebagai pengalaman baik dan aplikasi dianggap mudah dioperasikan serta memberikan manfaat yang signifikan bagi pengguna. Namun, tingkat keterikatan emosional dan loyalitas pengguna terhadap aplikasi belum optimal. Usability testing mengungkapkan tingkat efektivitas aplikasi 57% yang tergolong belum efektif dan didukung dengan tingkat efisiensi yang rendah serta skor System Uability Scale pada kategori F (rendah), menandakan terdapat kesenjangan antara persepsi pengguna dan kinerja aktual aplikasi. Temuan tersebut menunjukkan bahwa meskipun aplikasi dipersepsikan mudah digunakan, hambatan tetap teridentifikasi pada tampilan informasi, alur navigasi, dan umpan balik sistem. Penelitian ini menawarkan rekomendasi perbaikan desain yang didasarkan pada data hasil pengujian untuk meningkatkan kualitas layanan JConnect Mobile.
Multi-Regulation Based FDR Classification System with Decision Tree Algorithm for Civil Aviation Compliance Roisyatin Iftah Ni'mah Aulia Cantika; Setyowati, Endah
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.v7i3.9577

Abstract

Flight Data Recorder (FDR) classification in civil aviation is currently performed manually, requiring operators to interpret complex multi-page regulatory documents. Manual Flight Data Recorder (FDR) classification in civil aviation compliance is a time-consuming, error-prone process that becomes increasingly complex when operators must meet requirements across multiple jurisdictions. This research aims to develop an automated web-based FDR classification system using a rule-based Decision Tree algorithm capable of classifying FDRs under multiple regulatory frameworks, with current implementation covering Indonesia’s Civil Aviation Safety Regulation (CASR) Part 91 and Philippine Civil Aviation Regulations (PCAR) Part 7. The system integrates with the Express Readout Worksummary Database via REST API and automatically processes aircraft parameters Maximum Take-Off Weight (MTOW), manufacturing date, and aircraft type to determine the appropriate FDR type and recording-parameter requirements. Exact-match rules are applied when aircraft data fall within defined regulatory date ranges; MTOW-based approximation is employed for cases outside those ranges. Testing on 742 aircraft from 80 operators yielded 97.5% classification accuracy compared with manual expert methods, reducing per-aircraft processing time from 30 minutes to under 1 second. The system also generates automated compliance reports in Microsoft Word format and provides a customer analytics dashboard for operational insights. These results confirm that the proposed system offers an efficient, consistent, and scalable solution for multi-regulation aviation compliance management, supporting both CASR and PCAR regulatory frameworks.
Klasifikasi Ulkus Kaki Diabetik Berbasis Transfer Learning: Studi Komparatif Arsitektur CNN Nafiiyah, Nur; Rifqi Firdaus Al Jauhari; Agus Harjoko; Achmad Nizar Hidayanto
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.v7i3.9580

Abstract

Proses klasifikasi citra medis secara otomatis sangat penting untuk membantu proses diagnosis yang cepat dan objektif. Deep learning, terutama Convolutional Neural Network (CNN), telah menunjukkan kemampuan yang lebih baik untuk mengidentifikasi dan mengklasifikasikan gambar. Namun, model yang tepat masih sulit dipilih karena perbedaan dalam desain arsitektur CNN dapat berdampak besar pada kinerja. Tujuan dari penelitian ini adalah untuk mengevaluasi dan membandingkan kinerja lima arsitektur CNN (VGG16, VGG19, ResNet101, InceptionV3, dan DenseNet121) ketika menggunakan dataset Ulkus Kaki Diabetes (Diabetic Foot Ulcer/DFU) untuk mengklasifikasikan gambar medis kelas normal dan abnormal. Metode berbasis dataset digunakan untuk menjalankan semua eksperimen. Akurasi, ketepatan, recall, dan F1-score digunakan untuk menilai model. Hasil eksperimen menunjukkan bahwa ResNet101 adalah yang terbaik dengan akurasi dan F1-score sebesar 99,87%, diikuti oleh VGG19 dan VGG16, masing-masing dengan F1-score di atas 99%. DenseNet121 dan InceptionV3 juga menunjukkan kinerja yang kompetitif, meskipun sedikit di bawah model berbasis residual dan VGG. Hasil ini menunjukkan betapa pentingnya melakukan analisis komparatif saat memilih arsitektur CNN untuk klasifikasi citra medis berbasis deep learning.
Evaluasi Multi-Expert terhadap Sistem Rekomendasi Diet Non-Klinis Berbasis Generative AI mukafasyadiah, Diena; Andri Setiawan, Mukhammad
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.v7i3.9587

Abstract

Pemantauan konsumsi makanan dan analisis nutrisi secara mandiri masih menjadi tantangan karena keterbatasan pemahaman gizi serta kurangnya sistem yang mampu memberikan rekomendasi diet yang personal. Penelitian ini bertujuan mengembangkan sistem analisis nutrisi dan rekomendasi diet non-klinis berbasis Generative AI untuk mendukung edukasi gizi melalui integrasi data profil pengguna, konsumsi makanan, dan referensi nutrisi. Sistem dikembangkan menggunakan metode Design Science Research (DSR) dan dievaluasi melalui pendekatan multi-expert yang melibatkan lima ahli gizi dengan 19 indikator penilaian. Hasil evaluasi menunjukkan nilai rata-rata 4,56 yang berada pada kategori baik hingga sangat baik, menunjukkan bahwa sistem mampu menghasilkan analisis nutrisi yang informatif dan relevan sebagai alat bantu edukasi nutrisi non-klinis. Penelitian ini berkontribusi pada integrasi analisis konsumsi berbasis citra makanan, referensi Tabel Komposisi Pangan Indonesia (TKPI), dan Generative AI dalam satu sistem terpadu yang divalidasi melalui evaluasi multi-expert.

Page 48 of 50 | Total Record : 492

 46   47   48   49   50 

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