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 800 Documents
 76   77   78   79   80 
Sistem Peringatan Dini Ketahanan Pangan Berbasis Web Menggunakan Metode Rule-Based untuk Rekomendasi Intervensi Stok Archangela G. Repi; kristofel santa; Gladly C. Rorimpandey
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9727

Abstract

Stabilitas ketahanan pangan merupakan pilar fundamental dalam menjaga resiliensi ekonomi dan sosial suatu wilayah. Penelitian ini mengembangkan sebuah sistem peringatan dini (Early Warning System) berbasis web untuk memantau ketersediaan pangan di Kota Tomohon dengan mengintegrasikan algoritma Rule-Based. Kontribusi penelitian ini terletak pada otomatisasi pemantauan ketersediaan pangan melalui sinkronisasi data kependudukan secara dinamis untuk memitigasi risiko ketidakpastian stok akibat keterlambatan pelaporan manual. Metode penelitian mencakup pemodelan mesin inferensi menggunakan pendekatan floating-point arithmetic guna meminimalisir deviasi dalam kalkulasi neraca pangan. Hasil pengujian menggunakan dataset validasi riil tahun 2024 menunjukkan bahwa arsitektur sistem mampu melakukan klasifikasi otomatis status ketersediaan pangan ke dalam kategori Aman, Waspada, dan Kritis. Pengujian black-box menunjukan bawaha sistem mencapai validitas fungsional penuh dalam menjalankan logika aturan yang ditetapkan maupun efektivitas dampak intervensi di lapangan secara empiris. Fitur rekomendasi intervensi stok yang dihasilkan diharapkan dapat menjadi rujukan bagi pengambil kebijakan dalam menentukan langkah operasi pasar yang lebih responsif di Kota Tomohon, serta menjamin keberlanjutan operasional melalui pembaruan master data kependudukan yang dinamis.
Analisis Pendekatan MCDM Berbasis Surrogate Weighting Procedures dan TOPSIS untuk Rekomendasi Motor Listrik Maya Putri Nur Fajri; A. Sidiq Purnomo
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9734

Abstract

Jumlah kendaraan listrik yang semakin meningkat di pasaran dengan spesifikasi yang beragam membuat konsumen kesulitan untuk menentukan pilihan yang tepat berdasarkan kebutuhan. Penelitian ini mengembangkan sistem pendukung keputusan untuk merekomendasikan pemilihan motor listrik roda dua di Indonesia menggunakan pendekatan Multi-Criteria Decision Making (MCDM) dengan metode Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). Sistem ini mengevaluasi 30 alternatif motor listrik berdasarkan lima kriteria: harga, jarak tempuh, waktu pengisian, kapasitas baterai, dan daya maksimum motor. Penelitian ini menerapkan Surrogate Weighting Procedures yang terdiri dari Equal Weight (EW), Rank Sum (RS), Rank Reciprocal (RR), dan Rank Order Centroid (ROC) untuk menentukan bobot dan TOPSIS untuk peringkat. Hasil penelitian menunjukkan bahwa variasi metode pembobotan menghasilkan perubahan distribusi bobot yang memengaruhi nilai preferensi dan posisi peringkat alternatif. Penelitian ini memberikan kontribusi melalui sistem evaluasi motor listrik yang mampu menghasilkan rekomendasi objektif dan stabil bagi konsumen dengan menguji berbagai skenario kepentingan kriteria. Charged Rimau dan Charged Anoa menunjukkan tingkat konsistensi tertinggi karena memiliki kombinasi spesifikasi yang relatif seimbang pada seluruh kriteria, khususnya jarak tempuh tinggi, waktu pengisian yang lebih singkat, kapasitas baterai besar, serta harga yang masih kompetitif dibandingkan alternatif lain. Sementara itu, Polytron Fox-R juga menunjukkan kestabilan peringkat karena menawarkan keseimbangan antara harga, jarak tempuh, dan kapasitas baterai tanpa memiliki nilai ekstrem pada kriteria tertentu.
Optimasi Pemodelan Peramalan Penjualan Produk UMKM Menggunakan Damped Parameter pada Metode Holt-Winters Additive Ruli Utami; Qurrota Hanim Aktafia; Selfy Selfy Puri Dewanti; Zuli Maulidati; Sulistyowati
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9735

Abstract

Perkembangan Usaha Mikro, Kecil, dan Menengah (UMKM) serta kemajuan teknologi informasi mendorong kebutuhan pengelolaan bisnis yang lebih berbasis data, khususnya dalam perencanaan penjualan dan pengendalian persediaan. Namun, sebagian besar UMKM masih menghadapi permasalahan ketidakakuratan prediksi permintaan yang menyebabkan terjadinya overstock maupun stockout. Kondisi tersebut dipengaruhi oleh pola penjualan yang fluktuatif dan musiman sehingga diperlukan metode peramalan yang mampu menghasilkan prediksi lebih akurat dan adaptif. Penelitian ini bertujuan untuk mengembangkan model peramalan penjualan produk UMKM menggunakan metode Holt-Winters Additive dengan optimasi damped parameter melalui teknik Grid Search Optimization. Penelitian dilakukan menggunakan data primer penjualan UMKM periode Januari–Desember 2025 yang diolah menggunakan software Python dengan library pandas, numpy, dan statsmodels. Proses optimasi dilakukan dengan menguji berbagai kombinasi parameter α, β, γ, dan φ untuk memperoleh model dengan nilai kesalahan peramalan terendah berdasarkan indikator Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa kombinasi parameter α = 0,6; β = 0,8; γ = 0,1; dan φ = 0,98 menghasilkan tingkat akurasi terbaik dengan nilai MAPE sebesar 3,90%. Hasil tersebut menunjukkan bahwa optimasi damped parameter mampu meningkatkan stabilitas dan akurasi peramalan sehingga dapat membantu UMKM dalam pengelolaan persediaan dan perencanaan produksi secara lebih optimal.
Pengembangan dan Evaluasi Usability Web Multimedia Interaktif Alat Musik Tradisional Menggunakan SUS Nauval Rizky Ramadhan; Dhanar Intan Surya Saputra
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9745

Abstract

Pengenalan alat musik tradisional Indonesia melalui media digital pada umumnya masih bersifat statis dan kurang interaktif, sehingga keterlibatan pengguna secara aktif menjadi terbatas. Penelitian ini bertujuan membangun media edukasi multimedia interaktif berbasis web bernama MuSantara yang memadukan teks, gambar, audio, peta interaktif berbasis Scalable Vector Graphics (SVG), dan kuis interaktif dalam satu platform terintegrasi. Evaluasi usability sistem dilakukan menggunakan instrumen System Usability Scale (SUS). Proses pengembangan sistem mengacu pada model Waterfall dalam kerangka Software Development Life Cycle (SDLC) yang meliputi tahapan analisis kebutuhan, perancangan, implementasi, dan pengujian. Evaluasi melibatkan 56 responden yang terdiri dari kelompok pelajar, mahasiswa, dan masyarakat umum. Hasil evaluasi menunjukkan skor rata-rata SUS sebesar 81,83 yang termasuk dalam kategori Acceptable, dengan 85,71% responden memberikan penilaian tertinggi. Temuan ini mengindikasikan bahwa sistem mudah dioperasikan, mudah dipahami, serta mampu menghadirkan pengalaman interaksi yang positif bagi kelompok pengguna yang terlibat. Penelitian ini berkontribusi pada pengembangan media edukasi multimedia interaktif berbasis web yang terukur secara usability dengan instrumen terstandarisasi.
Analisis Sentimen Aplikasi Elektrokardiogram di Play Store Berbasis IndoBERT dan BERTopic Muhammad Chairul Izzat; Daniel Parlindungan Simanjuntak; Fajar Michael Sanjaya Sianturi; Pianus Lase; Agung Prabowo
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9767

Abstract

Perkembangan aplikasi kesehatan digital, khususnya aplikasi Elektrokardiogram (EKG), meningkatkan jumlah ulasan pengguna pada Google Play Store yang dapat dimanfaatkan sebagai sumber informasi untuk mengevaluasi kualitas aplikasi. Namun, ulasan pengguna bersifat tidak terstruktur sehingga sulit dianalisis secara manual. Penelitian ini bertujuan menganalisis sentimen dan mengidentifikasi topik utama pada ulasan pengguna aplikasi EKG menggunakan pendekatan Natural Language Processing (NLP). Metode yang digunakan adalah analisis sentimen dengan IndoBERT dan topic modeling dengan BERTopic. Dataset penelitian terdiri dari 1000 ulasan berbahasa Indonesia yang diperoleh melalui proses web scraping. Tahapan penelitian meliputi preprocessing, pembagian data latih dan uji, analisis sentimen, topic modeling, serta penyajian hasil dalam sistem informasi monitoring. Hasil penelitian menunjukkan bahwa model IndoBERT mampu melakukan klasifikasi sentimen dengan akurasi sebesar 72%, yang menunjukkan performa cukup baik, meskipun kemampuan klasifikasi pada sentimen negatif dan netral masih terbatas akibat ketidakseimbangan distribusi data. BERTopic berhasil mengidentifikasi topik utama, meliputi akurasi aplikasi, kemudahan penggunaan, serta kendala teknis seperti error dan masalah kamera. Integrasi kedua metode memberikan analisis yang lebih komprehensif karena mampu menunjukkan kecenderungan sentimen sekaligus isu utama yang dibahas pengguna. Hasil analisis divisualisasikan melalui sistem informasi monitoring sehingga dapat mendukung evaluasi aplikasi berbasis data.
Analisis Komparatif Algoritma Machine Learning untuk Prediksi Depresi Mahasiswa Berbasis PHQ-9 Asep Setiyono; Yulia Wardani; Margaretha Kurniastuti
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9768

Abstract

Depresi adalah suatu kondisi gangguan mental yang perlu mendapatkan perhatian serius, terutama di kalangan mahasiswa yang menghadapi tekanan akademik dan sosial. Prevalensi depresi pada mahasiswa mencapai angka yang mengkhawatirkan, dengan deteksi dini dan intervensi yang akurat menjadi krusial. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja empat algoritma machine learning (Random Forest, Logistic Regression, Support Vector Machine, dan Extreme Gradient Boosting) dalam memprediksi depresi mahasiswa di Sekolah Tinggi Ilmu Kesehatan Panti Rapih Yogyakarta. Menggunakan dataset kuesioner PHQ-9 dari 679 mahasiswa, data dipra-proses termasuk penanganan ketidakseimbangan kelas menggunakan SMOTE pada data pelatihan. Evaluasi model dilakukan dengan Stratified K-Fold Cross Validation dan metrik seperti akurasi, presisi, recall, F1-Score serta ROC AUC. Hasil menunjukkan bahwa semua model memiliki kinerja prediktif yang sangat tinggi (akurasi > 92%). Support Vector Machine menunjukkan kinerja terbaik secara keseluruhan dengan akurasi 94,30%, F1-Score 94,40% dan ROC AUC 98,57%. Random Forest unggul dalam recall sebesar 96,12% sementara Extreme Gradient Boosting mencapai presisi tertinggi (93,51%). Penelitian ini mengidentifikasi Support Vector Machine sebagai algoritma paling seimbang untuk prediksi depresi mahasiswa, menawarkan potensi sebagai alat skrining awal yang objektif dan efisien.  
Klasifikasi Komentar Promosi Judi Online pada YouTube Menggunakan TF-IDF dan Support Vector Machine Rinaldi Fauzan; Delima Sitanggang; Reyhan Achmad Rizal
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9769

Abstract

Penelitian ini bertujuan mengklasifikasikan komentar promosi judi online pada platform YouTube menggunakan metode Support Vector Machine (SVM). Data penelitian berasal dari dataset publik Kaggle yang berisi komentar pengguna YouTube terkait promosi judi online. Tahapan penelitian meliputi preprocessing teks, ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), serta klasifikasi menggunakan SVM kernel linear. Hasil pengujian menunjukkan bahwa model SVM memperoleh akurasi sebesar 95,94% dengan nilai precision, recall, dan F1-score yang tinggi dan seimbang. Hasil analisis juga menunjukkan bahwa mayoritas tanggapan pengguna cenderung berada pada kelas non-promosi terhadap konten judi online. Selain itu, SVM menunjukkan performa yang lebih baik dibandingkan Naïve Bayes pada dataset yang digunakan. Temuan ini menunjukkan bahwa kombinasi TF-IDF dan SVM efektif digunakan untuk mengidentifikasi pola tanggapan pengguna terhadap konten judi online di YouTube
Perbandingan Kinerja dan Efisiensi Model NLP pada Analisis Sentimen Ulasan Aplikasi Layanan Publik Digital Irfan Setiawan; Widyastuti Andriyani
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9774

Abstract

Transformasi digital layanan publik di Indonesia menghasilkan volume ulasan pengguna yang besar pada Google Play Store, khususnya untuk aplikasi layanan publik digital seperti Identitas Kependudukan Digital (IKD), BPJS Kesehatan Mobile, dan MyPertamina. Penelitian ini bertujuan untuk membandingkan kinerja dan efisiensi komputasi lima model dari tiga generasi pendekatan Natural Language Processing (NLP), yaitu Naive Bayes, Support Vector Machine (SVM), Bidirectional Long Short-Term Memory (BiLSTM), IndoBERT, dan IndoBERTweet dalam tugas analisis sentimen ulasan berbahasa Indonesia. Evaluasi dilakukan pada performa klasifikasi menggunakan accuracy, macro precision, macro recall, dan macro F1-Score serta efisiensi komputasi melalui waktu pelatihan, waktu inferensi, dan penggunaan memori. Dataset dikumpulkan melalui scraping ulasan Google Play Store dengan strategi pelabelan otomatis berbasis rating bintang (weak labels), yang keandalannya divalidasi dengan subset sampel menggunakan Cohen’s Kappa. Penggunaan label lemah ini merupakan keterbatasan yang perlu dipertimbangkan dalam interpretasi hasil, mengingat hanya sebagian kecil data yang divalidasi secara manual. Penelitian ini mengisi gap literatur pada domain aplikasi layanan publik digital Indonesia yang masih kurang dieksplorasi dalam konteks komparasi model NLP lintas generasi, sekaligus menghasilkan implikasi praktis pemilihan model berdasarkan kondisi infrastruktur komputasi yang tersedia, dengan mempertimbangkan keterbatasan generalisasi hasil pada domain dan skala dataset yang berbeda. Hasil eksperimen menunjukkan IndoBERTweet mencapai performa tertinggi dengan macro F1-Score 0,8957, sementara Naive Bayes dan SVM dapat dijalankan dalam waktu di bawah 0,15 detik tanpa GPU dengan macro F1-Score masing-masing 0,8345 dan 0,8402.
Cross-Validated Hybrid Machine Learning Model For Real-Time Phishing URL Detection On Google Chrome Extension Evta Indra; Wahyu Soekanta Ginting; Katrin Wijaya; Nuragustyani br Bangun
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9777

Abstract

Phishing attacks continue to pose a major cybersecurity challenge, with traditional server-side and deep learning detection methods often struggling with network latency, privacy risks, and high computational overhead. This research focuses on creating a lightweight phishing URL detection system that operates in real time on the client side, implemented as a Google Chrome extension. The system employs a hybrid machine learning architecture combining Logistic Regression (LR) and Random Forest (RF) to evaluate 22 purely lexical URL features extracted locally. Evaluated using 5-fold cross-validation, the base models demonstrated high stability with mean performance scores of μ = 0.9960 for LR and μ = 0.9968 for RF. Crucially, confusion matrix analysis revealed that the hybrid approach perfectly resolved the trade-off between user accessibility and security. It successfully captured 20,037 phishing links (True Positives) and permitted 26,957 legitimate URLs (True Negatives). It minimized false alarms to just 13 False Positives, matching LR’s efficiency, while also reducing missed detections to 152 False Negatives. Furthermore, a live implementation test on 100 URL samples achieved 92% accuracy rate in providing real-time visual risk alerts. By performing all feature extraction and analysis locally without transmitting data externally, this system overcomes algorithmic trade-offs and network latency, delivering a dependable and user-friendly defense without compromising browsing performance.
District Level Child Nutrition Vulnerability in North Sumatra Using Composite Indeks, Machine Learning Benchmarking Fanny Ramadhani; Sri Dewi; Dian Septiana; Diah Retno Wahyuningrum; Andy Satria
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9785

Abstract

Child nutrition vulnerability is a multidimensional issue influenced by health outcomes, socioeconomic conditions, environmental factors, maternal education, dietary patterns, and access to health services. This study developed the Child Nutrition Vulnerability Index (IKGA) to map district level vulnerability in 33 districts or cities of North Sumatra during 2021-2023 and to examine the stability of the resulting priority ranking. Birth, severe malnutrition, and low birth weight data were obtained from the North Sumatra Provincial Health Office; sanitation was derived from Riskesdas; and supporting socioeconomic and service access variables were compiled from district level research and statistical datasets. The method included indicator transformation, annual min-max normalization, weighted composite aggregation, tertile-based relative risk classification, spatial visualization, one-at-a-time and Monte Carlo sensitivity analyses, and exploratory machine learning benchmarking using Random Forest, Decision Tree, and K-Means. The 2023 average IKGA was 0.3486, with the highest score in Nias (0.5573) and the lowest in Kota Binjai (0.1934). Monte Carlo sensitivity analysis produced an average Spearman rank correlation of 0.9957, indicating stable rankings under moderate weight variation. Random Forest reproduced the IKGA categories better than Decision Tree and K-Means, with 0.727 accuracy and 0.724 macro-F1. The IKGA provides an interpretable district level prioritization tool for SI-GIZI SIGAP, but the categories should be interpreted as relative provincial priorities rather than absolute nutritional risk thresholds.

Page 78 of 80 | Total Record : 800

 76   77   78   79   80 

Filter by Year

2019 2026


Reset
Filter By Issues
All Issue Vol. 7 No. 4 (2026): Juni 2026 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. 5 No. 1 (2023): September 2023 Vol 4, No 4 (2023): Juni 2023 Vol. 4 No. 4 (2023): Juni 2023 Vol 4, No 3 (2023): Maret 2023 Vol. 4 No. 3 (2023): Maret 2023 Vol 4, No 2 (2022): Desember 2022 Vol. 4 No. 2 (2022): Desember 2022 Vol 4, No 1 (2022): September 2022 Vol. 4 No. 1 (2022): September 2022 Vol. 3 No. 4 (2022): Juni 2022 Vol 3, No 4 (2022): Juni 2022 Vol 3, No 3 (2022): Maret 2022 Vol. 3 No. 3 (2022): Maret 2022 Vol 3, No 2 (2021): Desember 2021 Vol. 3 No. 2 (2021): Desember 2021 Vol. 3 No. 1 (2021): September 2021 Vol 3, No 1 (2021): September 2021 Vol 2, No 3 (2021): Mei 2021 Vol. 2 No. 3 (2021): Mei 2021 Vol 2, No 2 (2021): Januari 2021 Vol. 2 No. 2 (2021): Januari 2021 Vol 2, No 1 (2020): September 2020 Vol. 2 No. 1 (2020): September 2020 Vol 1, No 3 (2020): Mei 2020 Vol. 1 No. 3 (2020): Mei 2020 Vol. 1 No. 2 (2020): Januari 2020 Vol 1, No 2 (2020): Januari 2020 Vol. 1 No. 1 (2019): September 2019 Vol 1, No 1 (2019): September 2019 More Issue