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 829 Documents
 79   80   81   82   83 
Customer-Centric Retail Analytics Using RFM Segmentation and Segment-Level FP-Growth for Product Recommendation Muhammad Tegar Juleo Wicaksana Juleo; Anteng Widodo; Andy Prasetyo Utomo
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 8 No. 1 (2026): September (2026)
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v8i1.10090

Abstract

Retail transaction data are often used only for sales recording, leaving customer value and product affinity disconnected from managerial decisions. This study develops a web-based retail analytics framework that integrates RFM, K-Means, and global and segment-level FP-Growth to generate product-bundle, availability-check, and shelf-placement recommendations for SRC Inka Jaya. The analysis used 198,879 non-tobacco transaction lines representing 67,284 invoices, 2,565 products, and 1,257 identified customers from 1 January 2025 to 22 June 2026. RFM variables were transformed using , standardized, and evaluated for k=2–6. A four-cluster solution was selected as a trade-off between statistical quality and managerial usefulness, with a silhouette score of 0.371 and a Davies-Bouldin index of 0.934. Champion customers represented 28.48% of identified customers but contributed 54.35% of their monetary value. The primary FP-Growth scenario produced 963 rules, including 188 global and 775 segment-level rules, consolidated into 86 bundles, 46 availability-priority products, and 69 shelf-placement recommendations. Temporal validation achieved a 60.61% rule-match hit rate. Combining store-wide and segment-specific patterns produced more contextual recommendations and supported traceable delivery through an active-dataset dashboard.
Analisis Stimulus Visual terhadap Lonjakan Emosi Teks dan Keterlibatan Pengguna pada Platform YouTube I Wayan Angga Arditaloka
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 8 No. 1 (2026): September (2026)
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v8i1.10096

Abstract

Penelitian mengenai sentimen komentar YouTube umumnya berhenti pada pelaporan distribusi sentimen secara agregat, tanpa menelusuri kapan lonjakan emosi tekstual terjadi maupun keterkaitannya dengan tingkat keterlibatan pengguna (user interest level). Celah inilah yang menjadi permasalahan utama penelitian ini. Penelitian ini bertujuan mengidentifikasi periode lonjakan emosi tekstual, mengukur keterkaitannya dengan keterlibatan pengguna, serta menginterpretasikan kaitannya dengan stimulus visual pada video YouTube, sebagai kontribusi berupa kerangka analisis yang menggabungkan dimensi distribusi, temporal, dan keterlibatan sekaligus. Sebanyak 12.731 komentar dihimpun menggunakan YouTube Data API v3 dari video yang membahas isu ijazah Presiden Joko Widodo, lalu diklasifikasikan sentimennya menggunakan model IndoBERT ke dalam tiga kelas positif, netral, dan negatif, dikelompokkan berdasarkan hari, serta dihitung rata-rata like dan panjang komentar pada tiap kelas sentimen. Hasil analisis menunjukkan sentimen negatif mendominasi dengan proporsi 65,9% (8.393 komentar), diikuti positif 17,9% (2.285) dan netral 16,1% (2.053). Teridentifikasi lonjakan volume komentar yang tajam pada satu hari tertentu, yaitu 7.345 komentar atau 57,7% dari keseluruhan data hanya dalam 24 jam, yang diduga berkaitan dengan stimulus visual berupa penayangan atau viralnya video tersebut. Dari sisi keterlibatan, komentar positif memperoleh rata-rata like tertinggi (8,21), melampaui netral (3,52) dan negatif (0,45), sementara komentar negatif justru lebih panjang secara tekstual (116,3 berbanding 66,6-80,2 karakter). Temuan ini mengindikasikan bahwa stimulus visual berkaitan dengan lonjakan volume dan intensitas emosi tekstual, sekaligus membentuk pola keterlibatan pengguna yang terukur dan berbeda antar kategori sentimen.
Pengembangan Model Smart Career Link Berbasis Random Forest untuk Pemadanan Kompetensi Lulusan SMK dan Industri irwansya; Euis Nurninawati; Muh Al Ihlas
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 8 No. 1 (2026): September (2026)
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v8i1.10113

Abstract

Perubahan kebutuhan dunia kerja yang semakin dinamis menuntut lulusan Sekolah Menengah Kejuruan (SMK) memiliki kompetensi yang selaras dengan kebutuhan industri. Namun, pemadanan kompetensi lulusan dengan kebutuhan pekerjaan masih terkendala karena informasi kompetensi dan lowongan kerja belum terintegrasi secara optimal. Penelitian ini bertujuan mengembangkan model Smart Career Link berbasis Random Forest untuk melakukan pemadanan kompetensi lulusan SMK dengan kebutuhan industri dan menghasilkan rekomendasi pekerjaan yang relevan. Penelitian menggunakan pendekatan Research and Development (R&D), sedangkan Waterfall digunakan sebagai model pengembangan sistem perangkat lunak. Data diperoleh dari SMK Negeri 2 Kota Bima tahun 2025-2026, berupa profil kompetensi lulusan dan persyaratan kompetensi pekerjaan. Dari 330 pasangan potensial profil kompetensi dan lowongan pekerjaan, 200 pasangan yang memenuhi kriteria kelengkapan dan relevansi digunakan sebagai dataset. Setiap pasangan merepresentasikan satu unit pemadanan dan diberi label Sesuai atau Tidak Sesuai berdasarkan persyaratan pekerjaan yang diverifikasi oleh BKK, guru produktif, dan/atau mitra industri. Pemadanan mempertimbangkan bidang keahlian, kompetensi teknis, sertifikasi, dan pengalaman praktik kerja industri. Random Forest digunakan untuk klasifikasi kesesuaian. Stratified 5-Fold Cross-Validation menghasilkan accuracy 93,50±1,37%, precision 93,17±2,27%, recall 94,00±4,18%, dan F1-score 93,51±1,48%. Pengujian 40 data testing menghasilkan accuracy 92,50%. Black-box testing terhadap 11 fungsi utama menunjukkan seluruh fungsi berjalan sesuai kebutuhan.
Analisis Performa Jaringan WiFi dengan Menggunakan Metode Quality of Service (QoS) Warbavero Sreshy Vidiardhea; Anis Susila Abadi2; Yana Hendriana; Restiadi Bayu Taruno
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 8 No. 1 (2026): September (2026)
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v8i1.10114

Abstract

Jaringan WiFi telah menjadi infrastruktur penting dalam kehidupan sehari-hari, khususnya di lingkungan residensial, akademik, dan komersial. Namun, performa jaringan WiFi dapat berbeda bergantung pada lokasi dan waktu penggunaannya. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa jaringan WiFi pada lokasi, yaitu WiFi Kost Pak Kendar 1, WiFi Kost Pak Kendar 2, WiFi Kost Bu Endang, WiFi Kampus Universitas Nahdlatul Ulama Yogyakarta, dan WiFi Bento Cafe, menggunakan metode Quality of Service (QoS). Parameter yang dianalisis meliputi throughput, delay, dan packet loss dengan menggunakan Wireshark, NetSpot, dan perintah Ping melalui Command Prompt. Pengukuran dilakukan pada tiga sesi waktu, yaitu pagi, siang, dan malam. Hasil penelitian menunjukkan bahwa nilai throughput rata-rata pada kelima lokasi berada pada rentang 1,07–1,80 Mbps, delay rata-rata sebesar 29,33–143,33 ms, dan packet loss rata-rata sebesar 0,00–9,00%. Berdasarkan standar TIPHON, empat lokasi memperoleh indeks QoS sebesar 3,67 dengan kategori Sangat Baik, sedangkan WiFi Kost Pak Kendar 2 memperoleh indeks 3,33 dengan kategori Baik. WiFi Kost Bu Endang menunjukkan performa paling konsisten dengan packet loss sebesar 0% pada seluruh sesi pengukuran, sedangkan WiFi Kost Pak Kendar 2 memiliki packet loss rata-rata tertinggi sebesar 9,00%. Hasil penelitian juga menunjukkan bahwa performa jaringan tidak hanya berkaitan dengan kekuatan sinyal, tetapi juga diduga berkaitan pula dengan kepadatan pengguna dan kondisi trafik pada waktu tertentu. Penelitian ini menunjukkan bahwa kombinasi pengukuran QoS dan analisis kekuatan sinyal dapat memberikan gambaran yang lebih menyeluruh mengenai performa jaringan WiFi pada berbagai lingkungan penggunaan.
Segmentasi Rumah Sakit Indonesia Berbasis Data Menggunakan Faktor Laten dengan Unsupervised Machine Learning Aisha Jondya; Reny Fitriani; Akbar Shiddiq; Aditya Nugraha Pratama
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 8 No. 1 (2026): September (2026)
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v8i1.10125

Abstract

Data rumah sakit yang dipublikasikan melalui Sistem Informasi Rumah Sakit Kementerian Kesehatan (SIRS Kemkes) memuat ribuan rumah sakit dengan ratusan variabel yang saling berkaitan. Meskipun data tersebut berpotensi menggambarkan keragaman karakteristik rumah sakit, segmentasi berbasis banyak indikator dapat menghasilkan representasi yang kompleks dan rentan terhadap nilai ekstrem. Penelitian yang memanfaatkan faktor laten sebagai dasar segmentasi rumah sakit secara nasional juga masih terbatas. Penelitian ini mengisi kesenjangan tersebut melalui integrasi Exploratory Factor Analysis (EFA) dan K-Means clustering untuk membentuk segmentasi rumah sakit berbasis data. Analisis dilakukan pada 3.292 rumah sakit menggunakan 35 skor faktor laten yang diperoleh dari 785 fitur numerik. Analisis awal menunjukkan bahwa nilai ekstrem pada domain layanan menyebabkan segmentasi tidak representatif karena hanya memisahkan satu rumah sakit sebagai outlier. Oleh karena itu, diterapkan winsorization persentil 1%–99% dan standardisasi sebelum pemodelan. Jumlah klaster dievaluasi pada k=2 hingga k=10 menggunakan Elbow Method, Silhouette Score, Calinski-Harabasz, dan Davies-Bouldin. Hasil evaluasi dan pertimbangan substantif menghasilkan tiga klaster, yaitu klaster berkapasitas dasar (64,9%), klaster menengah dengan keunggulan fasilitas penunjang (12,7%), dan klaster dengan layanan serta penunjang operasional intensif (22,4%). Kontribusi penelitian ini adalah menghasilkan kerangka segmentasi berbasis faktor laten yang mengurangi kompleksitas data berdimensi tinggi dan memberikan profil struktural populasi rumah sakit Indonesia untuk mendukung perencanaan sumber daya dan diskusi kebijakan.
Klasifikasi Nominal Uang Berbasis Stacking Ensemble pada Celengan IoT dengan Sensor TCS34725 Syapiq Rabani; Tri Widodo; Okma Arnilia
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 8 No. 1 (2026): September (2026)
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v8i1.10129

Abstract

Celengan konvensional memiliki kelemahan mendasar berupa ketiadaan pencatatan saldo otomatis, sedangkan upaya identifikasi mandiri menghadapi kendala degradasi fisik uang lusuh dan fluktuasi spektrum warna. Penelitian ini bertujuan mengembangkan sistem celengan cerdas berbasis Internet of Things (IoT) yang mampu mengklasifikasikan tujuh pecahan nominal uang kertas Rupiah emisi tahun 2016 dan 2022 secara otomatis dan memantau saldo tabungan secara real-time. Perangkat keras sistem mengintegrasikan mikrokontroler ESP32 dan sensor spektrum warna TCS34725 dengan server REST API berbasis Python Flask. Data masukan warna diproses melalui ekstraksi 21 fitur spektrum diskriminatif (mencakup warna mentah, rasio relatif, kontras, ruang warna HSV, proyeksi trigonometri Hue, diferensial warna lawan, rasio logaritmik, dan luminansi), penyaringan noise sensor menggunakan Edited Nearest Neighbours (ENN), penstandaran skala StandardScaler, serta penyeimbangan distribusi kelas data latih menggunakan SMOTE. Proses klasifikasi menerapkan arsitektur Stacking Ensemble berbasis pohon keputusan yang menggabungkan Random Forest, XGBoost, CatBoost, dan Gradient Boosting sebagai model dasar, serta Random Forest Classifier sebagai model meta. Hasil pengujian menunjukkan bahwa model Stacking Ensemble memperoleh akurasi sebesar 93,07% dengan weighted average F1-score sebesar 0,93 pada 202 data uji murni. Pengujian langsung pada perangkat fisik celengan IoT menggunakan 70 lembar uang kertas asli independen dalam tiga kondisi fisik (baru, sedang, dan lusuh) menghasilkan tingkat keberhasilan pembacaan real-time sebesar 87,1%. Sistem berhasil mengintegrasikan pencatatan transaksi ke database MySQL dan pemantauan saldo pada dashboard web secara terpadu.
Analisis Sentimen Pengguna Terhadap Layanan Mobile Banking Di Indonesia Menggunakan Lexicon-Based Dan Bert Siska Mayasari Rambe; Zulham Sitorus; Muhammad Iqbal
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 8 No. 1 (2026): September (2026)
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v8i1.10188

Abstract

Perkembangan layanan perbankan digital meningkatkan jumlah interaksi pengguna melalui aplikasi mobile banking, termasuk BRImo. Ulasan pengguna pada Google Play Store mengandung informasi mengenai pengalaman dan permasalahan layanan yang dapat dianalisis melalui sentimen. Penelitian ini bertujuan menganalisis sentimen ulasan pengguna BRImo serta membandingkan hasil klasifikasi menggunakan metode Lexicon-Based dan model BERT. Data penelitian dikumpulkan dari Google Play Store yang menghasilkan 7.000 ulasan. Setelah melalui tahap cleaning, case folding, tokenizing, stopword removal, dan filtering, diperoleh 4.815 ulasan yang digunakan dalam analisis. Metode Lexicon-Based melakukan klasifikasi berdasarkan polaritas kata, sedangkan BERT digunakan sebagai model klasifikasi sentimen berbasis representasi kontekstual. Evaluasi dilakukan menggunakan label referensi berdasarkan rating bintang, dengan rating 1-2 sebagai negatif, 3 netral, dan 4-5 positif. Hasil menunjukkan Lexicon-Based menghasilkan 1.697 sentimen positif, 2.098 netral, dan 1.020 negatif dengan accuracy 49,12%. BERT menghasilkan 1.240 positif, 1.639 netral, dan 1.936 negatif dengan accuracy 51,11%. BERT juga memperoleh recall dan F1-score lebih tinggi pada kelas negatif. Hasil penelitian menunjukkan kedua pendekatan dapat digunakan untuk analisis sentimen ulasan BRImo, dengan BERT menghasilkan accuracy sedikit lebih tinggi.
Analisis Sentimen Publik Terhadap Perkembangan Topik Program Makan Bergizi Gratis (MBG) Menggunakan Algoritma Support Vector Machine (SVM) Dan K-Means Clustering Rahma Yuni Simanullang; Zulham Sitorus; Muhammad Iqbal
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 8 No. 1 (2026): September (2026)
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v8i1.10189

Abstract

Program Makan Bergizi Gratis (MBG) merupakan salah satu program prioritas pemerintah yang mulai diterapkan secara bertahap pada tahun 2025 untuk membantu memenuhi kebutuhan gizi peserta didik. Pelaksanaan program tersebut menimbulkan beragam tanggapan masyarakat melalui media sosial sehingga menghasilkan data komentar yang besar dan tidak terstruktur. Kondisi tersebut menyulitkan identifikasi kecenderungan sentimen dan topik yang berkembang apabila dilakukan secara manual. Penelitian ini bertujuan menganalisis sentimen publik serta mengidentifikasi kelompok topik pembahasan terkait Program MBG menggunakan algoritma Support Vector Machine (SVM) dan K-Means Clustering. Data penelitian terdiri dari 2.783 komentar pada salah satu video Chanel YouTube yaitu COMPAS.TV yang membahas MBG, sedangkan survei dan wawancara terhadap guru dan siswa digunakan sebagai bahan perbandingan bagi penulis. Tahapan penelitian meliputi preprocessing, pelabelan sentimen, pembobotan Term Frequency-Inverse Document Frequency (TF-IDF), klasifikasi menggunakan SVM, dan clustering menggunakan K-Means. Hasil klasifikasi SVM terhadap 557 data testing menghasilkan accuracy 81,51%, precision 81,48%, recall 81,51%, dan F1-score 81,29%. Selanjutnya, hasil Elbow Method menunjukkan jumlah cluster optimal sebanyak empat cluster (K=4). Dari 2.783 komentar, Cluster 1 terdiri atas 2.133 komentar (76,64%), Cluster 2 sebanyak 263 komentar (9,45%), Cluster 3 sebanyak 143 komentar (5,14%), dan Cluster 4 sebanyak 244 komentar (8,77%). Berdasarkan kata dominan, cluster merepresentasikan pandangan umum terhadap MBG, kritik terhadap manfaat dan pengelolaan MBG, keraguan dan kritik terhadap kebijakan pemerintah, serta kritik terhadap pemerintah dan pelaksanaan MBG. Hasil penelitian menunjukkan bahwa kombinasi SVM dan K-Means dapat memberikan gambaran mengenai kecenderungan sentimen dan topik pembahasan publik terhadap Program MBG.
Prediction Of Book Borrowing Patterns Using Lstm-Xgboost For Collection Planning At Uinsu Library Andri Ismail Sitepu; Zulham Sitorus; Muhammad Iqbal
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 8 No. 1 (2026): September (2026)
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v8i1.10190

Abstract

University libraries face challenges in evidence-based collection planning due to the underutilization of borrowing circulation data. This study proposes a hybrid prediction model that combines Extreme Gradient Boosting (XGBoost) and Long Short-Term Memory (LSTM) to predict book borrowing patterns at the Library of Universitas Islam Negeri Sumatera Utara (UINSU). The proposed approach employs XGBoost to learn relationships among borrowing-related features and generate prediction outputs, which are subsequently used as additional input features for the LSTM model to capture temporal borrowing patterns. The dataset consists of 3,961 physical book borrowing transactions collected between 2024 and 2025. After preprocessing and feature engineering, the data were chronologically sorted and divided into 80% training data and 20% testing data using a time-based split to preserve the temporal sequence. Model performance was evaluated on the testing data using Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). Experimental results demonstrate that the proposed hybrid XGBoost–LSTM model achieved an RMSE of 0.3879 and an MAE of 0.1868, indicating good predictive performance with relatively low error rates. The comparison between actual and predicted borrowing values further shows that the proposed model is capable of capturing borrowing trends effectively. The developed model can serve as the foundation for a Decision Support System (DSS) to support data-driven collection planning and acquisition strategies in academic libraries.

Page 83 of 83 | Total Record : 829

 79   80   81   82   83 

Filter by Year

2019 2026


Reset
Filter By Issues
All Issue Vol. 8 No. 1 (2026): September (2026) 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