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 
Pengembangan Sistem Informasi Monitoring Pertumbuhan Balita Berbasis Mobile Menggunakan Metode Z-Score WHO asni_rahmayanti asni_rahmayanti; Muhamad Alda
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.v7i4.9786

Abstract

Pemantauan tumbuh kembang balita di Puskesmas Mulyorejo masih menghadapi kendala pencatatan yang tidak terintegrasi dan perhitungan status gizi yang dilakukan secara manual, sehingga berpotensi menimbulkan kesalahan dalam deteksi dini masalah gizi. Penelitian ini bertujuan mengembangkan sistem informasi berbasis mobile menggunakan metode Z-score WHO untuk menilai status gizi balita secara otomatis dengan model Waterfall sebagai metode pengembangan sistem. Sistem menghitung indikator BB/U, TB/U, dan BB/TB menggunakan metode LMS (Lambda-Mu-Sigma) serta menampilkan hasil dalam bentuk kategori status gizi dan grafik pertumbuhan. Sistem dirancang dengan tiga aktor yaitu Admin, Kader Posyandu, dan Orang Tua, dilengkapi fitur validasi catatan pertumbuhan oleh kader serta KMS digital untuk pemantauan mandiri. Hasil pengujian menggunakan Black Box Testing menunjukkan seluruh fungsi sistem berjalan sesuai kebutuhan dengan tingkat keberhasilan 100% dan hasil perhitungan Z-score terbukti sesuai dengan perhitungan manual berdasarkan tabel referensi WHO. Sistem ini berkontribusi dalam mempermudah kader posyandu dan orang tua memantau status gizi balita secara digital, akurat, dan berkelanjutan.
Rancang Bangun Manajemen Personalia Multiplatform Terintegrasi dengan Live Tracking dan Payroll Arif Maulana Rokhman; Eko Darmanto; Supriyono
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.v7i4.9797

Abstract

CV Patriot Kencana Medika sebagai distributor alat kesehatan dengan tim sales motor menghadapi masalah presensi manual, pemantauan aktivitas lapangan yang terbatas, serta rekap payroll yang lambat dan rawan kesalahan. Penelitian ini bertujuan membangun sistem informasi manajemen personalia multiplatform yang mengintegrasikan presensi berbasis geofence dan selfie/face verification, live tracking sales motor melalui checkpoint GPS periodik, workflow approval untuk izin, koreksi presensi, reimburse, ranking, bonus, dan payroll. Metode yang digunakan adalah penelitian dan pengembangan dengan model Waterfall, meliputi analisis kebutuhan, perancangan, implementasi, pengujian, dan evaluasi. Sistem dikembangkan menggunakan Laravel sebagai backend REST API dan dashboard web, serta Flutter sebagai aplikasi mobile dengan penyimpanan lokal SQLite. Mekanisme offline mode dan client_event_id diterapkan agar sinkronisasi tetap konsisten ketika koneksi tidak stabil. Berdasarkan hasil pengujian black box pada Tabel 2, seluruh modul utama yang diuji, yaitu autentikasi, presensi, validasi geofence, live tracking, pengajuan dan approval, ranking dan bonus, payroll, laporan, serta sinkronisasi data, menunjukkan status berhasil sesuai skenario pengujian. Hasil tersebut menunjukkan bahwa sistem mampu menghubungkan data operasional lapangan ke dashboard terpusat dan laporan XLSX tanpa menambahkan proses rekap terpisah. Sistem ini berkontribusi sebagai rancangan terintegrasi untuk mendukung administrasi personalia, validasi presensi, monitoring sales motor, dan pengolahan payroll pada perusahaan distribusi alat kesehatan.
Komparasi Algoritma Machine Learning untuk Prediksi Risiko Stunting Berbasis Data P3KE Provinsi Gorontalo Siti Andini Utiarahman; Andi Mulawati Mas Pratama; Satriadi D. Ali
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

Abstract

Stunting merupakan permasalahan kesehatan masyarakat yang serius di Provinsi Gorontalo dengan prevalensi mencapai 23,8% pada tahun 2024, masih jauh di atas target nasional sebesar 14%. Penelitian ini bertujuan mengembangkan model prediksi risiko Stunting menggunakan pendekatan Machine learning berbasis Data Pensasaran Percepatan Penghapusan Kemiskinan Ekstrem (P3KE). Dataset yang digunakan mencakup 87.902 rumah tangga di Provinsi Gorontalo. Lima algoritma dibandingkan, yaitu Decision Tree, K-Nearest Neighbors, Support Vector Machine, Random Forest, dan XGBoost. Evaluasi dilakukan pada dua skenario, yaitu tanpa dan dengan penerapan Synthetic Minority Oversampling Technique (SMOTE). Optimasi hyperparameter dilakukan menggunakan RandomizedSearchCV dengan 3-fold cross-validation. Hasil eksperimen menunjukkan bahwa XGBoost tanpa SMOTE merupakan model terbaik dengan F1-score  sebesar 90,39%, accuracy 90,48%, precision 99,91%, recall 82,52%, dan AUC-ROC 94,09%. Penerapan SMOTE tidak memberikan peningkatan kinerja yang signifikan, dengan selisih F1-score  yang hanya mencapai 0,0067 poin. Sebaliknya, teknik tersebut meningkatkan waktu komputasi hingga 65%. Temuan ini mengonfirmasi bahwa distribusi kelas yang relatif seimbang, yaitu 54,2% : 45,8%, tidak memerlukan proses oversampling. Analisis SHAP mengidentifikasi BAB: Milik sendiri dan Indeks Sanitasi sebagai fitur yang paling berpengaruh dalam prediksi risiko Stunting. Hasil penelitian menunjukkan bahwa data registrasi sosial P3KE tanpa melibatkan data antropometri tetap mampu menghasilkan model prediksi risiko Stunting dengan kinerja yang kompetitif, yang ditunjukkan oleh nilai F1-score  di atas 90%.
Analisis Pola Ko-Kemunculan Produk Berbasis Waktu Menggunakan Algoritma Apriori pada Data Penjualan Pitch 19 Rizky Muhammad Rizky Maulana; Muhammad Arifin; R. Rhoedy Setiawan
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.v7i4.9817

Abstract

Penelitian ini menganalisis pola ko-kemunculan produk Pitch 19 periode Januari-April 2026 menggunakan market basket analysis dan algoritma Apriori. Data bersumber dari rekap penjualan harian pada sheet January-April, sehingga satu tanggal diperlakukan sebagai satu basket harian, bukan nota transaksi pelanggan. Tahapan penelitian meliputi preprocessing, transformasi data ke format long, pembentukan basket harian, segmentasi bulan dan jenis hari, penerapan Apriori, evaluasi support, confidence, dan lift, serta penyusunan rekomendasi. Hasil preprocessing menghasilkan 4.872 baris data dan 120 basket harian. Produk dominan meliputi Ayam Blackpepper, Ayam Asam Manis, Mineral Water, Cafe Latte, Americano, Golden Palm, Lychee Tea, Wing Feast, Red Velvet, dan Original Tea. Penjualan tertinggi terjadi pada Maret sebesar 9.692 item, sedangkan weekend mencapai 15.780 item dan lebih tinggi dibanding weekday sebesar 14.958 item. Penerapan Apriori pada 25 produk teratas dengan minimum support 0,30, minimum confidence 0,60, dan panjang itemset maksimum dua menghasilkan 276 frequent itemset. Banyak aturan menunjukkan ko-kemunculan produk dengan Mineral Water, tetapi nilai lift 1,000 menandakan hubungan tersebut bersifat umum karena Mineral Water muncul pada seluruh basket. Karena itu, hasil penelitian lebih tepat digunakan untuk pengelolaan stok, promosi weekend, paket produk terlaris, dan perbaikan pencatatan transaksi harian.
Analysis of Image Preprocessing on EfficientNet-B5 Performance in Acne Severity Classification Dita Kurnia Rachmasari; Risqy Siwi Pradini; Ahsanun Naseh Khudori
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.v7i4.9818

Abstract

Deep learning based acne severity classification requires consistent color distribution and image illumination for stable feature extraction. Color imbalance, noise, and lighting variations can affect the accuracy and generalization ability of the model, making image preprocessing optimization a crucial aspect in dermatological classification. This study analyzes the impact of image preprocessing on the performance of EfficientNet-B5 in classifying three levels of acne severity using the Kaggle Acne Grading dataset (999 images; 80% training, 20% testing). The experiment compares the default preprocessing (resize, normalization) with the proposed preprocessing: gray-world white balance for color stabilization, bilateral filtering for edge preservation, and adaptive gamma correction for adaptive illumination. The evaluation uses accuracy and loss curves, confusion matrices, and classification reports, focusing on the macro F1-score to assess the balance between precision and recall. The results show a slight increase in accuracy from 77% to 78%, a macro F1 score of 75%, and more controlled overfitting with smaller differences in accuracy and loss between training and validation. Improving image quality before feature extraction contributes to feature representation and balance in multi-class classification.
Segmentasi Kualitas Air Sungai Indonesia dengan Machine Learning untuk Penilaian Kelayakan Bahan Baku Minum Shafira Febriani; Revi Firzatulloh; Rivaldo Nugraha; Anggi Cipta Lestari; Okyza Maherdi Prabowo; Yolanda Georgia Andriani
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.v7i4.9824

Abstract

Sungai merupakan sumber daya air vital bagi kehidupan dan pembangunan di Indonesia, namun kualitasnya terus menurun akibat pencemaran domestik dan industri. Penelitian ini bertujuan untuk melakukan segmentasi kualitas air sungai di 38 provinsi di Indonesia berdasarkan Indeks Kualitas Air (IKA) serta parameter fisik, kimia, dan mikrobiologis tahun 2023. Segmentasi ini difungsikan untuk mendukung pemantauan dan penilaian kelayakan sungai sebagai bahan baku air minum. Metodologi penelitian mengikuti kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM) dengan menerapkan algoritma klasterisasi K-Means dan Hierarchical Clustering. Data yang dimanfaatkan bersumber dari Badan Pusat Statistik (BPS) yang mencakup parameter seperti pH, DO, BOD, COD, dan bakteri coliform. Meskipun evaluasi metrik internal (Silhouette Score, Davies-Bouldin Index, dan Dunn Index) menunjukkan bahwa konfigurasi dua klaster memberikan performa matematis terbaik , penelitian ini menetapkan konfigurasi empat klaster menggunakan Hierarchical Clustering. Langkah ini diambil secara sadar agar hasil pengelompokan tetap relevan secara praktis dan selaras dengan empat tingkat klasifikasi mutu air nasional (Kelas I–IV) serta skala penilaian IKA. Hasil segmentasi menghasilkan empat klaster utama yang menggambarkan tingkat risiko kualitas air: sangat tercemar, buruk hingga sedang, pencemaran ekstrem, dan risiko mikrobiologis tinggi. Temuan penelitian mengonfirmasi bahwa tidak ada provinsi yang memenuhi kriteria Kelas I (layak minum tanpa pengolahan), dengan mayoritas wilayah berada pada kategori sedang hingga buruk (Kelas III dan IV). Visualisasi melalui dashboard interaktif memperkuat interpretasi data untuk mendukung pengambilan kebijakan berbasis bukti. Penelitian ini membuktikan efektivitas metode klasterisasi dalam menyediakan informasi akurat bagi pengelolaan strategi kualitas air sungai secara nasional di Indonesia.
Systematic Literature Review Penerapan Physics-Informed Machine Learning untuk Analisis Seismisitas dan Bahaya Gempa Bumi Abdul Hakim Prima Yuniarto; Fandy Setyo Utomo; Giat Karyono
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.v7i4.9830

Abstract

Pendekatan machine learning konvensional yang murni berbasis data dalam bidang seismologi sering kali menghasilkan model kotak hitam yang melanggar hukum fisika dasar serta memerlukan data pelabelan masif. Sebagai solusi, paradigma Physics-Informed Machine Learning (PIML) hadir mengintegrasikan pengetahuan domain fisis ke dalam arsitektur kecerdasan buatan. Penelitian ini bertujuan melakukan tinjauan literatur sistematis (Systematic Literature Review/SLR) untuk memetakan mekanisme integrasi, klaster parameter, dampak komputasi, serta kesenjangan riset dari penerapan PIML pada analisis kegempaan. Melalui evaluasi terstruktur terhadap 36 studi utama rentang 2021–2026, hasil analisis menunjukkan bahwa integrasi hukum fisika dominan dilakukan melalui modifikasi fungsi kerugian memanfaatkan residu persamaan diferensial parsial. Penerapan paradigma ini pada sejumlah studi terbukti mampu meningkatkan efisiensi komputasi serta mempercepat waktu simulasi numerik dibandingkan dengan metode konvensional, serta menyajikan pemodelan tanpa jaring yang stabil pada frekuensi tinggi. Namun, analisis kesenjangan mengungkap adanya ketergantungan pada skema terpandu deterministik. Riset ini merekomendasikan arah pengembangan masa depan pada integrasi metode unsupervised dan konstrain statistik seismologi guna menjamin kemasukakalan fisis model.
Pendekatan Augmentasi Data Time Series Untuk Peramalan Kebutuhan Obat Antiretroviral Berbasis Long Short-Term Memory Munazar; Baihaqi Siregar; Amalia
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.v7i4.9831

Abstract

Perencanaan kebutuhan obat antiretroviral yang akurat diperlukan untuk menjaga kesinambungan terapi HIV, mencegah stock-out, dan meningkatkan efisiensi distribusi obat. Namun, peramalan masih terhambat oleh keterbatasan data historis, dominasi nilai nol, dan fluktuasi permintaan yang menyulitkan model mempelajari pola time series secara stabil. Penelitian ini mengevaluasi enam metode augmentasi data time series - Gaussian noise jittering, time warping, Fast Fourier Transform-based augmentation, MixUp time series, TimeGAN, dan Seasonal-Trend Decomposition using Loess — untuk meningkatkan akurasi peramalan berbasis Long Short-Term Memory. Dua skema diuji: penambahan data sintetis (25%, 50%, 75%, 100%) dan penggantian data asli (10%, 20%, 40%, 60%, 80%), dievaluasi menggunakan Mean Absolute Error non-zero. Hasil menunjukkan bahwa augmentasi moderat (25%–50%) meningkatkan akurasi, skema penambahan lebih stabil daripada penggantian, dan model terbaik menggunakan Seasonal-Trend Decomposition using Loess mencapai MAE non-zero sekitar 66.
Pengembangan Otomasi Inventaris Farmasi Rumah Sakit Gigi dan Mulut dengan Metode Convolutional Neural Network Khairul Abdi; Amalia; Mohammad Andri Budiman
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.v7i4.9832

Abstract

Pengelolaan inventaris farmasi di Rumah Sakit Gigi dan Mulut memerlukan proses yang cepat, teliti, dan terdokumentasi karena ketersediaan obat serta bahan kedokteran gigi berpengaruh langsung terhadap kelancaran pelayanan klinis. Penelitian ini mengembangkan prototipe otomasi inventaris berbasis citra menggunakan model deteksi objek YOLO11s yang dibangun di atas prinsip Convolutional Neural Network. Dataset terdiri atas 2.562 citra, 11 kelas produk, dan 5.486 anotasi bounding box yang dibagi menjadi data latih, validasi, dan uji dengan rasio 70:15:15. Tahapan penelitian meliputi akuisisi citra, anotasi, quality control dataset, praproses, augmentasi, pelatihan, evaluasi, serta perancangan integrasi hasil deteksi ke rekap inventaris. Pada data uji terbatas, model menghasilkan precision 99,37%, recall 98,86%, mAP@0.5 99,41%, dan mAP@0.5:0.95 90,03%. Hasil ini menunjukkan bahwa YOLO11s berpotensi membantu pengenalan jenis produk, lokalisasi objek, dan perhitungan jumlah item pada skenario inventaris farmasi yang tercakup dalam dataset. Namun, klaim kinerja masih perlu divalidasi lebih lanjut pada jumlah kelas yang lebih besar dan kondisi rak farmasi nyata yang lebih beragam.
Perbandingan K-Means dan Hierarchical Clustering untuk Pengelompokan Calon Penerima Beasiswa Berdasarkan Data Akademik Sosial dan Ekonomi Mahasiswa Septia Harliansyah; Muhammad Hafizh Al-Ghifari Rangkuti; Muhammad Zikri Ramadhan
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.v7i4.9852

Abstract

This study aims to compare the performance of the K-Means and Hierarchical Clustering algorithms in grouping scholarship applicants based on academic and socio-economic data. The methodology includes data preprocessing through normalization, determining the optimal number of clusters using the Elbow method, and applying both clustering algorithms. The evaluation is conducted using the Silhouette Score to measure cluster quality based on cohesion and separation. The results show that K-Means produces a higher Silhouette Score compared to Hierarchical Clustering, indicating that K-Means is able to form more compact clusters with clearer separation between them. In contrast, Hierarchical Clustering tends to produce less optimal cluster structures, especially when applied to datasets with a relatively large number of data points. Therefore, K-Means can be recommended as a more effective method for grouping scholarship applicants based on academic and socio-economic data. This study is expected to serve as a reference in selecting appropriate clustering methods in data mining, particularly to support more objective and accurate decision-making processes.

Page 79 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