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 
Dominansi Fitur Perilaku Keuangan dan Tren Akademik pada Deteksi Dini Kelulusan Mahasiswa dengan XGBoost Widya Dharma Sidi
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.v7i3.9591

Abstract

Ketepatan waktu kelulusan merupakan indikator krusial bagi keberlanjutan institusi pendidikan tinggi. Namun, metode pemantauan konvensional sering kali luput mendeteksi mahasiswa berisiko secara dini karena hanya mengandalkan atribut demografi statis dan mengabaikan dinamika perilaku mahasiswa. Penelitian ini bertujuan mengembangkan model deteksi dini keterlambatan lulus yang berfokus pada fitur perilaku keuangan dan tren akademik pada dataset berskala kecil dan tidak seimbang di Universitas PGRI Mahadewa Indonesia menggunakan algoritma Extreme Gradient Boosting (XGBoost). Tantangan berupa ketidakseimbangan data (imbalanced data) dengan baseline accuracy sebesar 67,61% diatasi melalui teknik Synthetic Minority Over-sampling Technique (SMOTE). Hasil eksperimen menunjukkan performa model yang andal dengan rata-rata F1-Score sebesar 81,56% dan Recall 80,81%, yang membuktikan efektivitas sistem sebagai solusi dalam meminimalkan kesalahan deteksi pada mahasiswa berisiko. Analisis Feature Importance mengungkapkan bahwa variabel perilaku dinamis lebih dominan dibandingkan faktor demografi statis. IPS Semester 4 (Gain 0,269) dan Frekuensi Tunggakan (Gain 0,151) ditemukan sebagai prediktor paling signifikan. Temuan ini mengonfirmasi bahwa performa akademik di fase menengah dan kedisiplinan administrasi keuangan merupakan indikator kritis kelulusan. Penelitian ini merekomendasikan penerapan Sistem Deteksi Hibrida pada akhir semester 4 untuk memberikan intervensi tepat sasaran bagi mahasiswa di Zona Merah.
Segmentation of Toddlers Based on Nutritional Status Using Agglomerative Hierarchical Clustering with Average Linkage Malid, Abdul; Sriani
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.v7i3.9598

Abstract

Nutritional status among children under five remains an important public health concern, particularly in developing regions where early detection of growth problems is essential for effective intervention. Conventional nutritional assessments often rely on categorical classifications that may not fully capture variations in anthropometric characteristics among toddlers. This study aims to segment children under five based on nutritional status using the Agglomerative Hierarchical Clustering (AHC) algorithm with the Average Linkage method in the NA-IX-X District, North Labuhanbatu Regency. The study used secondary anthropometric data from 1,452 children obtained from the Aek Kota Batu Public Health Center. Quantitative variables, including body weight, height, and age, were standardized using z-score transformation prior to clustering analysis. The results show that a three-cluster configuration provides the optimal segmentation, with a Silhouette Coefficient value of 0.5154, indicating a moderate clustering structure. Cluster 1 (n = 180) shows relatively lower anthropometric measurements with an average body weight of 7.3 kg and height of 68.3 cm. Cluster 2 (n = 511) represents intermediate measurements with an average body weight of 11.5 kg and height of 87.8 cm, while Cluster 3 (n = 761) reflects higher measurements with an average body weight of 15.0 kg and height of 101.7 cm. Dendrogram analysis indicates that a cutting point at height = 1.5 produces the most interpretable cluster separation. These findings demonstrate that hierarchical clustering can support more targeted nutritional intervention strategies at the community health center level. 
Prediksi Hasil Kelapa Sawit Menggunakan Algoritma Regresi Linier Sederhana Berbasis Data Historis Syahputra, Risky Diky; Yusuf Ramadhan Nasution
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.v7i3.9607

Abstract

Hasil produksi kelapa sawit sering mengalami fluktuasi karena dipengaruhi oleh berbagai faktor operasional dan lingkungan, yang membuat perusahaan kesulitan dalam menyusun rencana produksi yang stabil. Penelitian ini bertujuan membangun model prediksi produksi kelapa sawit menggunakan regresi linier sederhana dengan memanfaatkan data historis produksi. Data yang digunakan mencakup 48 data bulanan dari PTPN III Rantau Prapat selama periode 2021 hingga 2024, dengan jumlah pokok panen (X) sebagai variabel bebas dan produksi Tandan Buah Segar (TBS) (Y) sebagai variabel yang diprediksi. Proses penelitian mencakup tahapan pengumpulan data, pengolahan data, pembentukan model regresi, serta pengujian kinerja model melalui MSE, RMSE, dan MAPE. Skema validasi out of sample digunakan dengan membagi data menjadi data pelatihan (30 data) dan data uji (8 data). Hasil perhitungan menunjukkan MAPE sebesar 13,62%, RMSE 368.724,126, dan MSE 135.957.481.409. Nilai R² sebesar 0,8316 menunjukkan hubungan linear yang cukup kuat antara variabel X dan Y. Model yang dihasilkan mudah diterapkan dan dapat digunakan sebagai alat pendukung keputusan dalam perencanaan produksi kelapa sawit, serta sebagai baseline untuk penelitian atau model peramalan yang lebih kompleks di masa depan.
Analisis Spasial dan Model Prediktif Data Geografis-Demografis untuk Prediksi Kelayakan Lokasi Usaha Arysespajayadi, Arysespajayadi; Hilman Asyrafi; Muh. Nurtanzis Sutoyo; Reza Maulana
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.v7i3.9612

Abstract

Pemilihan lokasi usaha yang tepat merupakan faktor strategis yang menentukan keberhasilan operasional dan finansial bisnis baru. Permasalahan utama yang dihadapi calon pengusaha adalah sulitnya menentukan kelayakan lokasi secara objektif akibat keterbatasan data primer dan metode analisis yang bersifat intuitif. Penelitian ini bertujuan membangun sistem prediksi kelayakan lokasi usaha dengan mengintegrasikan analisis spasial dan model prediktif berbasis machine learning. Metode yang digunakan adalah algoritma Random Forest yang dilatih menggunakan data primer dari 45 titik lokasi di wilayah urban Makassar yang diperoleh melalui survei lapangan langsung. Variabel input mencakup jumlah penduduk, kepadatan toko kompetitor, ketersediaan fasilitas umum, dan volume lalu lintas. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan model Random Forest memberikan prediksi jumlah pengunjung dengan nilai R² sebesar 0,72, MAE 450,00, dan RMSE 600,17, serta estimasi pendapatan dengan R² sebesar 0,75, MAE Rp1.412.556, dan RMSE 1.894.958. Kestabilan model dikonfirmasi melalui pengujian 5-Fold Cross-validation dengan rata-rata R² sebesar 0,70. Benchmarking terhadap Linear Regression menunjukkan keunggulan Random Forest dengan peningkatan R² sebesar 50% pada prediksi pengunjung dan 36,4% pada prediksi pendapatan. Analisis feature importance mengungkapkan jumlah penduduk sebagai variabel paling dominan (bobot 0,45), diikuti volume lalu lintas (0,25) dan fasilitas umum (0,15). Secara keseluruhan, sistem ini menyediakan alat bantu estimasi kelayakan lokasi berbasis data geografis dan demografis yang dapat mendukung pengambilan keputusan investasi bagi pelaku usaha baru.
Edge-Based Person Detection Using MobileNetV2 on ESP32-CAM for Home Surveillance System Purnama, Adi; Indriani; Alit Prasetyo, Bagus; Nugraha, Agitama
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.v7i3.9619

Abstract

Affordable home surveillance systems increasingly require on-device intelligence to mitigate privacy risks, network dependency, and response latency associated with cloud-based video analytics. This research develops an edge-based person detection system utilizing a quantized MobileNetV2 architecture (α = 0.1) deployed on an ESP32-CAM module, integrated with the Message Queuing Telemetry Transport (MQTT) protocol for real-time alert delivery. To construct the dataset, image data were collected via a motion-triggered acquisition setup employing a passive infrared (PIR) sensor, resulting in a total of 500 manually labeled images categorized into person and non-person classes. The model was trained in over 40 epochs with a learning rate of 0.001, utilizing data augmentation and INT8 quantization to optimize embedded deployment. Performance was evaluated using a 23% testing split (116 unseen images), yielding an overall accuracy of 78.45%. For the person class, the model achieved 90.00% precision, 77.78% recall, and an 83.44% F1-score. On-device deployment via TensorFlow Lite required a peak RAM of 485.4 KB and 102.1 KB of flash memory. The average inference time was recorded at 1018 ms per frame, which limits continuous high-framerate processing but remains feasible for basic surveillance at approximately 1 frame per second. Finally, MQTT communication via an EMQX broker successfully transmitted detection alerts and image links to a mobile application for real-time monitoring and storage.
Improved Text Classification for Indonesian Hate Speech Detection: FastText-LSTM Model with Easy Data Augmentation Wicaksana, Hilman Singgih; Huda, Khairul; Airlangga, Gregorius
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.v7i3.9637

Abstract

The swift expansion of social media in Indonesia has led to a significant rise in hate speech, highlighting the urgent need for effective automated detection techniques. This research evaluates the performance of the proposed FastText-Long Short-Term Memory with Easy Data Augmentation (FastText-LSTM-WE) compared with the baseline model, FastText-Convolutional Neural Network with Easy Data Augmentation (FastText-CNN-WE). To further investigate the impact of data augmentation, the effectiveness of both FastText-Long Short-Term Memory without Easy Data Augmentation (FastText-LSTM-WO) and FastText-Convolutional Neural Network without Easy Data Augmentation (FastText-CNN-WO) was also assessed. Bayesian Optimization was employed to identify the best hyperparameter configurations for each model. The experiments were carried out on a dataset comprising 14,306 samples while maintaining consistent experimental conditions. Model performance was measured using precision, recall, F1-score, and accuracy derived from the confusion matrix. The results indicate that FastText-LSTM-WE achieved the highest performance, with precision, recall, F1-score, and accuracy of 84.02%, 83.16%, 83.59%, and 81.37%, respectively. These findings demonstrate that the proposed model provides a robust and reliable solution for detecting hate speech within the Indonesian context, thereby improving automated content moderation systems in practical applications.
Implementasi Autentikasi QR Code Berbasis Standar ISO/IEC 18004 Menggunakan Tanda Tangan Digital Eka Wijaya Paula; Hidayat, Andi Ircham; Nurkhalik Wahdanial Asbara
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.v7i3.9641

Abstract

Transformasi administrasi digital menuntut mekanisme verifikasi dokumen yang cepat, akurat, dan dapat dipercaya. Penelitian ini bertujuan merancang dan mengimplementasikan sistem validasi surat tugas berbasis web yang memanfaatkan QR Code sesuai standar ISO/IEC 18004 yang dikombinasikan dengan mekanisme tanda tangan digital dan verifikasi pada sisi server. Pendekatan yang digunakan adalah metode prototype iteratif yang meliputi tahap komunikasi kebutuhan, perencanaan cepat, perancangan cepat, konstruksi, serta penerapan dan umpan balik. Sistem dikembangkan menggunakan framework Laravel dengan dukungan pustaka generator QR Code. Kode QR yang dihasilkan memuat URL verifikasi bertoken yang dilengkapi masa berlaku serta mekanisme pencatatan aktivitas melalui audit log. Kontribusi utama penelitian ini adalah pengembangan model autentikasi dokumen yang mengintegrasikan QR Code berstandar ISO/IEC 18004 dengan mekanisme tanda tangan digital berbasis token dan verifikasi server-side sehingga memungkinkan pengendalian status dokumen secara dinamis (valid, invalid, expired, atau revoked). Hasil pengujian blackbox terhadap 14 skenario menunjukkan tingkat keberhasilan 100%, sementara pengujian keterbacaan menunjukkan tingkat keberhasilan pemindaian ≥99% pada dokumen digital maupun cetak A4 dengan penerapan quiet zone minimal empat modul dan Error Correction Code level Q. Waktu verifikasi sejak proses pemindaian hingga penampilan status dokumen berada di bawah target operasional (<10 detik). Hasil penelitian menunjukkan bahwa sistem yang dikembangkan dapat berkontribusi pada peningkatkan keamanan, akuntabilitas, dan kemudahan verifikasi dokumen administrasi secara praktis dan mudah direplikasi pada lingkungan kelembagaan.
Forecasting Permintaan Persediaan Berbasis Long Short-Term Memory untuk Penentuan Safety Stock dan Reorder Point fatmawati, Eka Fatmawati; Endah Sudarmilah
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.v7i3.9648

Abstract

Ketidakseimbangan antara ketersediaan stok dan fluktuasi permintaan sering menyebabkan overstock maupun stockout dalam manajemen persediaan ritel. Penelitian ini bertujuan untuk menerapkan metode Long Short-Term Memory (LSTM) dalam peramalan permintaan. Peramalan ini digunakan sebagai dasar penentuan Safety Stock (SS) dan Reorder Point (ROP) pada tiga kategori produk ritel: susu, sabun, dan frozen food. Data historis penjualan digunakan untuk menghasilkan prediksi permintaan tiga bulan ke depan. Hasil prediksi dievaluasi menggunakan Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), dan Root Mean Squared Error (RMSE). Hasil evaluasi menunjukkan bahwa model LSTM menghasilkan tingkat akurasi yang baik pada seluruh kategori produk. Pada kategori susu, rata-rata nilai MAPE sebesar 4,53%, dan pada sabun sebesar 5,23%. Kedua nilai ini tergolong sangat baik. Sementara itu, frozen food memiliki nilai MAPE sebesar 12,08%, yang termasuk kategori baik. Berdasarkan hasil peramalan tersebut, parameter pengendalian persediaan dihitung menggunakan pendekatan Safety Stock dan Reorder Point. Kategori susu menunjukkan nilai rata-rata SS dan ROP tertinggi. Hal ini mencerminkan volume permintaan yang lebih besar dibandingkan kategori lainnya. Di sisi lain, kategori frozen food memperlihatkan variasi ROP yang relatif lebih tinggi antar produk. Hasil penelitian ini menunjukkan bahwa integrasi metode LSTM dengan model pengendalian persediaan dapat mendukung perumusan kebijakan stok yang lebih terukur dan berbasis data dalam pengelolaan persediaan ritel. Penelitian ini memberikan kontribusi berupa integrasi metode deep learning dengan model pengendalian persediaan yang menghasilkan kebijakan stok yang lebih terukur dan aplikatif.
Pengembangan Chatbot Pintar Berbasis AI Sebagai Asisten Virtual untuk Layanan Informasi dan Pendaftaran di LPK Asri, Saffinah Indah; Kusrini, Kusrini
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.v7i3.9654

Abstract

Penelitian ini berjudul “Pengembangan Chatbot untuk Layanan Informasi LKP Mitra Insan Prima Menggunakan Natural Language Processing (NLP) dengan Algoritma Klasifikasi Maksud”. Tujuan dari penelitian ini adalah untuk menciptakan sistem chatbot yang dapat secara otomatis memahami maksud pengguna dalam memberikan informasi mengenai lembaga pendidikan. Masalah yang diangkat adalah keterbatasan dari sistem chatbot statis yang hanya bisa mengenali pertanyaan berdasarkan pencocokan kata kunci tanpa mengerti konteks kalimat, sehingga hasil respons yang diberikan masih kurang akurat. Untuk mengatasi masalah ini, penelitian ini menerapkan pendekatan machine learning berbasis NLP dengan algoritma klasifikasi maksud seperti Naïve Bayes, SVM, dan LSTM. Kumpulan data yang digunakan terdiri dari 500 interaksi yang dikumpulkan dari pertanyaan umum siswa mengenai program kursus, pendaftaran, dan jadwal pelatihan. Tahapan pengembangan mencakup pengumpulan data, pengolahan awal teks (tokenisasi, stemming, dan penghapusan kata henti), pelatihan model klasifikasi maksud, serta penyatuan chatbot ke dalam platform Telegram dengan menggunakan pustaka Python seperti NLTK dan TensorFlow. Hasil dari pengujian menunjukkan bahwa chatbot yang dilatih menggunakan algoritma LSTM memiliki tingkat akurasi tertinggi mencapai 94%, yang lebih tinggi dibandingkan dengan model Naïve Bayes (87%) dan SVM (90%). Kesimpulan dari penelitian ini menunjukkan bahwa pemanfaatan algoritma klasifikasi maksud dalam NLP dapat meningkatkan kemampuan chatbot dalam memahami konteks pertanyaan dan memberikan jawaban yang lebih relevan. Penelitian di masa depan bisa mengembangkan model chatbot yang peka konteks dengan mengintegrasikan knowledge graph untuk melakukan interaksi yang lebih alami.
Prototipe Sistem Cerdas dalam Pengairan Rumah Tangga Berbasis IOT Menggunakan Metode Logika Fuzzy Sugeno Muhammad Rizki Madani; Rakhmat Kurniawan
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.v7i3.9661

Abstract

Pengelolaan air rumah tangga yang efisien masih menjadi permasalahan akibat distribusi yang tidak terkontrol. Penelitian ini mengembangkan prototipe sistem pengairan rumah tangga berbasis Internet of Things (IoT) menggunakan metode logika fuzzy Sugeno untuk pengambilan keputusan otomatis. Sistem dirancang menggunakan ESP32 sebagai pusat kendali dan ESP8266 sebagai node sensor pada toren, bak mandi, dan kran otomatis, dengan sensor ultrasonik sebagai input utama. Pengujian dilakukan pada sembilan skenario kombinasi level air. Hasil menunjukkan bahwa sistem menghasilkan keputusan yang sesuai dengan rule base pada seluruh skenario (akurasi 100%), serta mampu mengatur prioritas distribusi air dengan benar, yaitu memprioritaskan pengisian toren sebelum bak mandi. Selain itu, sistem berhasil menghindari konflik aktuator (tidak ada valve yang aktif bersamaan) dan menonaktifkan pompa saat kondisi air mencukupi, sehingga lebih efisien dalam penggunaan energi. Kontribusi utama penelitian ini adalah integrasi multi-node IoT dengan metode fuzzy Sugeno dalam satu sistem pengairan rumah tangga yang mampu melakukan kontrol adaptif dan monitoring real-time berbasis Firebase dan aplikasi mobile. Hasil penelitian menunjukkan bahwa sistem yang diusulkan efektif, stabil, dan layak diterapkan sebagai solusi pengelolaan air rumah tangga cerdas.

Page 49 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