Garuda - Garba Rujukan Digital

Article Per Year (5 Year)

All

Tematik : Jurnal Teknologi Informasi Komunikasi

tematik
Website

Published by POLITEKNIK LP3I BANDUNG

ISSN : 23559055 EISSN : 24433640 DOI : 10.38204

Core Subject : Science,

Computer Science & IT

TEMATIK - Jurnal Teknologi Informasi Dan Komunikasi merupakan jurnal ilmiah sebagai bentuk pengabdian dalam hal pengembangan bidang Teknologi Informasi Dan Komunikasi serta bidang terkait lainnya. TEMATIK - Jurnal Teknologi Informasi Dan Komunikasi diterbitkan oleh LPPM dan Program Studi Manajemen Informatika di Politeknik LP3I Bandung. Redaksi mengundang para dosen, peneliti dan professional dari dunia industri dan kerja untuk menulis karya ilmiah dan pengalaman praktis di lapangan terkait implementasi Informatika dan Komputer.

Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi

Articles 264 Documents

23 24 25 26 27

Arsitektur Hybrid Berbasis Aturan dengan Fuzzy Matching dan Klasifikasi Intent SVM untuk Chatbot Pengaduan pada Layanan Nadya Safitri; Farisi, Imam; Putro Dwi Mulyo
TEMATIK Vol. 12 No. 2 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i2.2669

Abstract This study proposes a hybrid architecture for complaint-handling chatbots in the public-service domain by integrating rule-based response generation, fuzzy string matching, and Support Vector Machine (SVM)-based intent classification. Rule-based approaches ensure fast and consistent responses but fail to handle linguistic variations, while fuzzy matching provides tolerance to misspellings and synonyms but lacks measurable evaluation. Meanwhile, NLP-based classifiers such as SVM enable quantitative performance assessment but do not guarantee deterministic control over chatbot outputs in sensitive domains. To address these limitations, a fallback mechanism is designed in which deterministic rules and fuzzy similarity are prioritized, and the SVM classifier is invoked only when no match is detected. The model was trained on 500 annotated conversational entries and evaluated using standard metrics. The results indicate perfect performance with precision, recall, F1-score, and accuracy reaching 1.00 for both intent classes (FAQ/Request and Report), and all dialogue flows passed black-box functional testing. Nevertheless, this performance may be influenced by dataset homogeneity and limited size. Future work will focus on dataset expansion, cross-validation, and out-of-domain evaluation to mitigate overfitting risks. The proposed hybrid architecture demonstrates strong potential for reliable deployment of complaint chatbots in public-service contexts where deterministic control and measurable accuracy are both required. Keywords: hybrid chatbot, rule-based, fuzzy matching, SVM, public-service complaints. Abstrak Penelitian ini mengusulkan sebuah arsitektur hybrid untuk chatbot pengaduan pada layanan publik dengan mengombinasikan pendekatan rule-based, fuzzy matching, dan klasifikasi intent berbasis Support Vector Machine (SVM). Pendekatan rule-based mampu memberikan respons yang cepat dan konsisten, namun gagal menghadapi variasi input bahasa, sedangkan fuzzy matching toleran terhadap kesalahan ketik dan sinonim tetapi tidak memungkinkan pengukuran akurasi. Sementara itu, model NLP seperti SVM dapat memberikan evaluasi kinerja secara kuantitatif, namun tidak menjamin kendali deterministik atas keluaran chatbot pada domain sensitif. Untuk menjembatani keterbatasan tersebut, dirancang sebuah mekanisme fallback yang memprioritaskan aturan deterministik dan fuzzy similarity, kemudian mengaktifkan SVM saat input tidak teridentifikasi. Model dilatih menggunakan 500 entri percakapan teranotasi dan dievaluasi menggunakan metrik standar. Hasil menunjukkan nilai precision, recall, f1-score, dan akurasi sebesar 1.00 untuk dua kelas intent (FAQ/Permintaan dan Lapor), serta seluruh alur percakapan lulus uji fungsional black-box. Meskipun demikian, capaian ini berpotensi dipengaruhi oleh homogenitas korpus dan ukuran dataset yang terbatas. Penelitian lanjutan diarahkan pada perluasan dataset, penerapan validasi silang, serta pengujian pada data di luar domain untuk mengurangi risiko overfitting. Arsitektur hybrid yang diusulkan berpotensi menjadi pendekatan yang andal untuk chatbot pengaduan pada konteks layanan publik yang membutuhkan respons deterministik sekaligus akurasi terukur. Kata kunci: : chatbot hybrid, rule-based, fuzzy matching, SVM, pengaduan layanan publik

Algoritma Value Based Untuk Pembangunan Bot Trading Yahoo Finance Acep Hendra; Supeno, Handoko
TEMATIK Vol. 12 No. 2 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i2.2679

The advancement of artificial intelligence, particularly reinforcement learning (RL), has driven innovation in automated decision-making for financial markets. While Deep Reinforcement Learning (DRL) is widely applied, it often requires significant computational resources and lacks transparency. This study proposes a lightweight, replicable, value-based RL (Q-Learning) trading bot utilizing open data from Yahoo Finance. The system is developed end-to-end, covering data acquisition, preprocessing, RL agent design, and strategy evaluation. The Q-Learning agent is trained to execute daily actions (buy, sell, hold) to maximize cumulative returns and minimize risk. Experimental results show that the Q-Learning Bot achieved a cumulative return of 145.7%, outperforming Buy-and-Hold (120.5%) and Moving Average Crossover (85.3%), with lower maximum drawdown (-18.7% vs -35.0%). A Sharpe Ratio of 1.35 and a win rate of 58.9% indicate superior risk-adjusted performance. These findings demonstrate that Tabular Q-Learning has strong potential as an adaptive and effective trading approach with low computational cost.

Model Prediktif Penyakit Tanaman Tomat Menggunakan Arsitektur EfficientNetB0 Prasetyo, Tri Ferga; Sunardi; Fadlil, Abdul
TEMATIK Vol. 12 No. 2 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i2.2722

Tomato (Solanum lycopersicum) is highly vulnerable to a range of foliar diseases that can reduce yield and hinder crop quality, particularly when early symptoms are difficult to distinguish in field conditions. To address this challenge, this study develops a predictive model for automatic tomato leaf disease classification using a lightweight EfficientNetB0 architecture. The dataset consists of 5,967 images from nine categories, combining 70% publicly available Kaggle PlantVillage data and 30% real-field images captured under natural outdoor illumination. The methodological pipeline includes preprocessing, data augmentation, and transfer learning, followed by fine-tuning of the upper layers of EfficientNetB0 to improve its ability to generalize toward field-specific variations such as uneven lighting and complex backgrounds. Evaluation results show that the model achieves an accuracy of 89%, with macro-average and weighted-average scores of 90%. These findings demonstrate that EfficientNetB0 provides an effective balance between predictive accuracy and computational efficiency, supporting its potential deployment in early detection systems and edge-based agricultural applications for real-time tomato disease monitoring.

Solusi AI Untuk Melindungi Privasi dan Keamanan Data Pengguna Zen Munawar; Sri Sutjiningtyas; Novianti Indah Putri; Milla Marlina; Rita Komalasari; Herru Soerjono
TEMATIK Vol. 12 No. 2 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i2.2794

Integrasi AI pada data masif memicu risiko privasi serius. Penelitian ini menganalisis solusi teknis seperti privasi diferensial untuk menyeimbangkan perlindungan data dengan kinerja sistem AI. Penelitian ini bertujuan untuk menganalisis isu-isu krusial terkait privasi dan keamanan data yang muncul akibat integrasi masif Kecerdasan Buatan (AI) di berbagai industri, serta mengevaluasi pendekatan teknis yang dapat menjaga kerahasiaan informasi pengguna tanpa mengorbankan kinerja sistem. Fokus utama penelitian ini adalah mengkaji efektivitas mekanisme perlindungan data seperti privasi diferensial, pembelajaran federasi, enkripsi homomorfik, dan komputasi multi-pihak yang aman dalam memitigasi risiko pelanggaran privasi dan akses ilegal. Penelitian ini menggunakan pendekatan kualitatif dengan metode studi literatur sistematis untuk mengevaluasi solusi privasi pada sistem kecerdasan buatan.Hasil penelitian menunjukkan bahwa teknik seperti federated learning dan enkripsi homomorfik efektif melindungi data pribadi dalam sistem AI. Namun, implementasinya menghadapi tantangan trade-off berupa penurunan kecepatan komputasi dan akurasi model. Rekomendasi desain berfokus pada keseimbangan antara keamanan dan performa guna mendukung regulasi AI yang aman serta terukur.Teknik perlindungan data seperti federated learning efektif menjaga privasi, namun berisiko menurunkan performa komputasi AI. Kesimpulannya, diperlukan keseimbangan antara keamanan dan efisiensi. Rekomendasinya, pengembang harus mengadopsi desain privacy-by-design dan pemerintah perlu menyusun regulasi teknis yang mendukung inovasi AI yang aman serta terukur bagi masyarakat.

Page 27 of 27 | Total Record : 264

23 24 25 26 27

Filter by Year

2014 2025

Filter By Issues

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
Hadiansyah

Contact Email
kanghadiansyah@plb.ac.id

Phone
+6285220199772

Journal Mail Official
tematik@plb.ac.id

Editorial Address
Program Studi Manajemen Informatika Politeknik LP3I Bandung Jl. Pahlawan No. 59 Bandung 40123 Telp. (022) 2506500, Fax. (022) 2512564 Email : tematik@plb.ac.id

Location
Kota bandung,

Jawa barat

INDONESIA

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name Hadiansyah

Contact Email kanghadiansyah@plb.ac.id

Phone +6285220199772

Journal Mail Official tematik@plb.ac.id

Editorial Address Program Studi Manajemen Informatika Politeknik LP3I Bandung Jl. Pahlawan No. 59 Bandung 40123 Telp. (022) 2506500, Fax. (022) 2512564 Email : tematik@plb.ac.id

Location Kota bandung, Jawa barat INDONESIA

Abstract

Abstract

Abstract

Abstract

Contact Name
Hadiansyah

Contact Email
kanghadiansyah@plb.ac.id

Phone
+6285220199772

Journal Mail Official
tematik@plb.ac.id

Editorial Address
Program Studi Manajemen Informatika Politeknik LP3I Bandung Jl. Pahlawan No. 59 Bandung 40123 Telp. (022) 2506500, Fax. (022) 2512564 Email : tematik@plb.ac.id

Location
Kota bandung,

Jawa barat

INDONESIA