Garuda - Garba Rujukan Digital

IDENTIFIKASI JENIS TANAMAN OBAT BERDASARKAN BENTUK DAUN MENGGUNAKAN CNN Meydina Aulia Savitri; Trisna Andhika Saputra; Aziz Bayu Permata; Sumanto Sumanto; Jefina Tri Kumalasari; Ghofar Taufiq
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1160

Indonesia is one of the countries with the greatest biodiversity in the world, including a wealth of medicinal plants and herbal medicines. Despite the vast potential of herbal medicinal plants, the general public still often struggles to identify and differentiate between them. This difficulty is primarily due to limited knowledge of morphological characteristics, which can lead to misidentification and the potential consumption of poisonous plants. Advances in Artificial Intelligence (AI), particularly Convolutional Neural Networks (CNN), have opened up new opportunities for identifying medicinal plant leaf images. This study aims to apply CNNs to identify medicinal plant species based on leaf shape. This study utilized the EfficientNetV2B0 architecture, known for its superior parameter efficiency and high accuracy. This model demonstrated a validation and testing accuracy of 98%. The result of this research is a mobile application that can assist the general public in identifying medicinal plants in their environment. With this application, it is hoped that the public will more easily learn the types of herbal medicinal plants, their benefits, and how to process them. This is also expected to minimize the risk of misidentification, which can negatively impact health.Indonesia merupakan salah satu negara dengan keanekaragaman hayati terbesar di dunia, termasuk kekayaan tanaman obat dan jamu. Meskipun potensi tanaman obat herbal sangat besar, masyarakat umum masih sering mengalami kesulitan dalam mengenali dan membedakan jenis-jenis tanaman obat herbal. Kesulitan ini terutama disebabkan oleh keterbatasan pengetahuan masyarakat dalam mengenali ciri-ciri morfologi, yang dapat menyebabkan risiko kesalahan identifikasi dan potensi mengkonsumsi tanaman yang beracun. Perkembangan teknologi kecerdasan buatan (AI), khususnya Convolutional Neural Network (CNN), telah membuka peluang baru dalam melakukan identifikasi citra daun tanaman obat. Penelitian ini bertujuan menerapkan algoritma CNN untuk melakukan identifikasi jenis tanaman obat berdasarkan bentuk daun. Penelitian ini menggunakan arsitektur EfficientNetV2B0, yang dikenal unggul dalam efisiensi parameter dan memiliki akurasi tinggi. Model ini menunjukkan akurasi validasi dan pengujian sebesar 98%. Hasil dari penelitian ini adalah sebuah aplikasi mobile yang mampu membantu masyarakat awam dalam mengidentifikasi tanaman obat yang ada di sekitar lingkungannya. Dengan adanya aplikasi ini, diharapkan masyarakat dapat lebih mudah mengetahui jenis-jenis tanaman obat herbal beserta manfaat dan cara pengolahannya. Hal ini juga diharapkan dapat meminimalkan risiko kesalahan identifikasi yang dapat berdampak negatif terhadap kesehatan.

SISTEM PENGAMAN PINTU OTOMATIS DENGAN KOMBINASI RF DAN VERIFIKASI PIN BERBASIS MIKROKONTROLER Sujono Sujono; Mochammad Rizqi Albani
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1394

Security for enclosed spaces or buildings is a crucial concern, as conventional manual locking systems, such as physical keys, are highly vulnerable to loss, unauthorized use, or duplication. To address this key issue, this study aims to design and implement an automatic door security system that combines Radio Frequency (RF) technology and Personal Identification Number (PIN) verification using a microcontroller. This study developed the system using a prototyping method, which enables iterative testing and refinement of the hardware and software to achieve an optimal, stable system. The resulting system is a prototype automatic door security system with an ESP32 microcontroller-based main controller that processes signals from a 433 MHz RF module and validates unique PIN inputs. The primary functional requirements include an RF transmitter, RF transmitter, and servo motor to operate the lock. The resulting solution provides more reliable, secure access and minimizes the risk of unauthorized entry by requiring Two-Factor Authentication (an RF signal and a PIN). This system offers a practical, economical, and applicable security solution for homes, laboratories, and other confined spaces.Keamanan untuk ruang tertutup atau bangunan merupakan perhatian yang krusial, karena sistem penguncian manual konvensional, seperti kunci fisik, sangat rentan terhadap kehilangan, penggunaan tanpa izin, atau penggandaan. Untuk mengatasi masalah utama ini, penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem keamanan pintu otomatis yang menggabungkan teknologi Radio Frequency (RF) dan verifikasi Personal Identification Number (PIN) menggunakan mikrokontroler. Penelitian ini mengembangkan sistem menggunakan metode prototyping, yang memungkinkan pengujian berulang dan penyempurnaan perangkat keras serta perangkat lunak hingga mencapai sistem yang optimal dan stabil. Hasil penelitian berupa purwarupa sistem pengaman pintu otomatis dengan pengendali utama berbasis mikrokontroler ESP32 untuk memproses sinyal dari modul RF 433 MHz dan memvalidasi input PIN yang unik. Kebutuhan fungsional utama mencakup RF Transmitter, RF Transmitter, dan motor servo untuk mengoperasikan kunci. Hasil penelitian menjadi solusi akses yang lebih andal dan aman serta meminimalkan risiko masuknya pihak yang tidak berwenang dengan mewajibkan Two-Factor Authentication (sinyal RF dan PIN). Sistem ini menawarkan solusi keamanan yang praktis, ekonomis, dan dapat diterapkan untuk rumah, laboratorium, dan area terbatas lainnya

PENERAPAN MACHINE LEARNING UNTUK ANALISIS PREDIKSI HARGA RUMAH MENGGUNAKAN ALGORITMA REGRESI LINIER DAN RANDOM FOREST Muhamad Fadli Fadhlullah; Zayyan Nauval Araf; Sumanto Sumanto; Jefina Tri Kumalasari; Ghofar Taufiq; Ade Christian
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1125

Accurate house price prediction is crucial for property buyers, sellers, investors, and developers in making decisions. This study aims to compare the performance of Linear Regression and Random Forest algorithms in predicting house prices in East Jakarta. The dataset used was taken from the rumah123.com website, and after cleaning, there were 180 unique data points. The modelling process was carried out using the Orange application, where 80% of the data was used to train the model and 20% to test it. To assess model performance, several metrics were used, such as Mean Squared Error, Root Mean Squared Error, Mean Absolute Error, Mean Absolute Percentage Error, and the coefficient of determination. The test results showed that the Linear Regression model provided more accurate predictions than Random Forest, as evidenced by lower RMSE, MAE, and MAPE values, as well as an R² value of 0.997. This indicates that the relationship between property features and house prices in this dataset tends to be linear. However, the Random Forest model also performed well, with an R² value of 0.996, so it can still be used for datasets with more complex characteristics.Prediksi harga rumah yang tepat sangat penting untuk para pembeli, penjual, investor, dan pengembang properti dalam membuat keputusan. Penelitian ini bertujuan untuk membandingkan seberapa baik algoritma Regresi Linier dan Random Forest dalam memprediksi harga rumah di Jakarta Timur. Dataset yang digunakan diambil dari situs rumah123.com dan setelah dibersihkan, terdapat 180 data yang unik. Proses pemodelan dilakukan dengan menggunakan aplikasi Orange, di mana 80% data digunakan untuk melatih model dan 20% untuk mengujinya. Untuk menilai kinerja model, digunakan beberapa metrik seperti Mean Squared Error, Root Mean Squared Error (RSME), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Hasil dari pengujian menunjukkan bahwa model Regresi Linier memberikan prediksi yang lebih akurat dibandingkan dengan Random Forest, hal ini terlihat dari nilai RMSE, MAE, dan MAPE yang lebih rendah serta nilai R² sebesar 0,997. Ini menunjukkan bahwa hubungan antara fitur-fitur properti dan harga rumah di dataset ini cenderung linier. Namun, model Random Forest juga menunjukkan hasil yang baik dengan nilai R² sebesar 0,996, jadi masih tetap bisa digunakan untuk dataset yang memiliki karakteristik lebih rumit

KLASIFIKASI KUALITAS JERUK MANDARIN BERBASIS WARNA RGB DAN HSV MENGGUNAKAN KNN Rizki Ananda Putra; Maulana Ibrahim; Mochammad Zulfikri; Giantika Chrisnawati
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1190

This study aims to automatically classify the quality of fresh and rotten Mandarin oranges using RGB and HSV color features with the K-Nearest Neighbor (KNN) algorithm. This study adopted a quantitative experimental approach. The dataset used consisted of 150 Mandarin orange images, 75 fresh and 75 rotten, with preprocessing stages consisting of image resizing to 512 × 512 pixels and feature extraction of the average RGB and HSV channel Values. Tests were conducted with varying K Values : 1, 3, 5, and 7. The results showed that the K-Nearest Neighbor method, which utilizes RGB and HSV color attributes, was able to classify the quality of Mandarin oranges effectively. The test results showed that changes in the K parameter affected the classification results, with K = 5 producing the highest accuracy of 94.74% (AP = 0.948). This indicates that the RGB and HSV color attributes with the KNN method are effective in determining the quality of Mandarin oranges. Penelitian ini bertujuan untuk mengklasifikasikan kualitas Jeruk Mandarin segar dan busuk secara otomatis menggunakan fitur warna RGB dan HSV dengan algoritma K-Nearest Neighbor (KNN). Studi ini mengadopsi metode kuantitatif dengan pendekatan eksperimen. Dataset yang digunakan terdiri dari 150 citra Jeruk Mandarin, masing-masing 75 citra Jeruk segar dan 75 citra Jeruk busuk, dengan tahap prapengolahan berupa resizing citra menjadi 512×512 piksel dan ekstraksi fitur nilai rata-rata kanal RGB dan HSV. Pengujian dilakukan dengan variasi nilai K = 1, 3, 5, dan 7. Hasil penelitian mendapatkan bahwa metode K-Nearest Neighbor yang memanfaatkan atribut warna RGB dan HSV mampu mengklasifikasikan dengan baik kualitas Jeruk Mandarin. Hasil pengujian menunjukkan bahwa perubahan nilai parameter K mempengaruhi hasil klasifikasi, di mana K = 5 menghasilkan akurasi tertinggi sebesar 94,74% dengan nilai average precision (AP) sebesar 0,948 dan memperoleh tingkat akurasi klasifikasi yang optimal. Ini menunjukkan bahwa atribut warna RGB dan HSV dengan metode KNN efektif dalam menentukan kualitas Jeruk Mandarin.

PERBANDINGAN EFISIENSI MEMORI DAN WAKTU KOMPUTASI ALGORITMA PENGURUTAN REKURSIF DAN ITERATIF DI PYTHON (MERGE SORT DAN QUICK SORT) Regina Nur Aeni; Alina Putri As Salwa; Muhammad Farras Abiy; Muhammad Noval Syafiq Sofi; Imam Prayogo Pujiono
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1073

This study aims to analyze and compare the computational time efficiency and memory usage of the recursive and iterative approaches in the Merge Sort and Quick Sort algorithms in Python. The method used is an experimental quantitative approach with performance testing on two data sizes, namely 10,000 and 1,000,000 random number elements. Execution time is measured using the time and timeit libraries, while memory usage is monitored using the psutil library. The results show that, in general, the iterative approach is more efficient in memory usage because it does not require a function call stack as in recursion. In terms of execution speed, recursive Quick Sort provides the fastest average time of 0.002 seconds on data of 10,000 elements, while on data of 1,000,000 elements, iterative Quick Sort shows better time performance than the recursive version. Iterative Merge Sort is consistently more memory efficient than recursive Merge Sort on both data sizes. The time difference between the recursive and iterative approaches is relatively small for medium-sized data, but memory consumption increases significantly with the recursive version as the data size increases. These findings indicate that the choice of implementation approach for sorting algorithms in Python requires considering the trade-off between speed and memory efficiency. The iterative approach is more suitable for applications with limited memory resources, while the recursive approach remains relevant for scenarios that prioritize simplicity of implementation and clarity of algorithm structure. The results of this study are expected to serve as a reference for software developers and algorithm researchers in determining optimal sorting implementation strategies in Python.Penelitian ini bertujuan menganalisis dan membandingkan efisiensi waktu komputasi dan penggunaan memori antara pendekatan rekursif dan iteratif pada algoritma pengurutan Merge Sort dan Quick Sort menggunakan bahasa pemrograman Python. Metode yang digunakan adalah pendekatan kuantitatif eksperimental dengan pengujian kinerja pada dua ukuran data, yaitu 10.000 dan 1.000.000 elemen bilangan acak. Waktu eksekusi diukur menggunakan pustaka time dan timeit, sedangkan penggunaan memori dipantau dengan pustaka psutil. Hasil penelitian menunjukkan bahwa secara umum pendekatan iteratif lebih efisien dalam penggunaan memori karena tidak memerlukan tumpukan pemanggilan fungsi (call stack) sebagaimana pada rekursi. Dari sisi kecepatan eksekusi, Quick Sort rekursif memberikan waktu rata-rata tercepat sebesar 0,002 detik pada data 10.000 elemen, sedangkan pada data 1.000.000 elemen Quick Sort iteratif menunjukkan kinerja waktu yang lebih baik dibandingkan versi rekursif. Merge Sort iteratif konsisten lebih hemat memori dibandingkan Merge Sort rekursif pada kedua ukuran data. Perbedaan waktu antara pendekatan rekursif dan iteratif relatif kecil pada data berukuran menengah, namun konsumsi memori meningkat secara nyata pada versi rekursif seiring bertambahnya ukuran data. Temuan ini mengindikasikan bahwa pemilihan pendekatan implementasi algoritma pengurutan di Python perlu mempertimbangkan trade-off antara kecepatan dan efisiensi memori. Pendekatan iteratif lebih sesuai untuk aplikasi dengan keterbatasan sumber daya memori, sedangkan pendekatan rekursif tetap relevan untuk skenario yang mengutamakan kesederhanaan implementasi dan kejelasan struktur algoritma. Hasil penelitian ini diharapkan dapat menjadi rujukan bagi pengembang perangkat lunak dan peneliti algoritma dalam menentukan strategi implementasi pengurutan yang optimal pada Python

PURWARUPA SISTEM PERINGATAN DINI KEBAKARAN BERBASIS INTERNET OF THINGS MENGGUNAKAN MIKROKONTROLER ESP8266 Ahmad Fitriansyah; Izzul Islam; Christine Sientta Dewi
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1417

Fire is a common disaster that can significantly impact human safety, damage infrastructure, and disrupt organizational activities. Delays in responding to fires can lead to greater losses. This research aims to design and build a Prototipe Internet of Things (IoT)-based fire early detection system using the ESP8266 microcontroller. The research method used in this study is the Research and Development (R&D) approach, comprising research, development, testing, and evaluation stages. The research resulted in a system designed using a DHT22 temperature and humidity sensor and a flame sensor to detect potential fires in real time. When the sensor detects extreme temperatures or a fire, the system automatically activates a buzzer as a local alert and sends a notification to the user via a Telegram bot. Testing was conducted at SMK YP IPPI Petojo. Test results showed that the system can detect potential fires with high accuracy, respond quickly, and provide warnings promptly. This Prototipe is expected to be a practical, affordable, and efficient solution for early fire hazard mitigation efforts, especially in schools and other public spaces that have limited fire safety systems.Kebakaran merupakan salah satu bencana yang sering terjadi dan dapat menimbulkan dampak yang signifikan terhadap keselamatan jiwa, kerusakan infrastruktur, serta gangguan terhadap aktivitas organisasi. Keterlambatan dalam merespons kebakaran dapat menyebabkan kerugian yang lebih besar. Penelitian ini bertujuan untuk merancang dan membangun sebuah Prototipe sistem deteksi dini kebakaran berbasis Internet of Things (IoT) yang menggunakan mikrokontroler ESP8266. Metode yang digunakan pada penelitian ini yaitu metode Research and Development (R&D) yang terdiri dari tahap research, development, testing & evaluation. Penelitian menghasilkan sistem yang dirancang menggunakan sensor suhu dan kelembaban DHT22 serta flame sensor untuk mendeteksi potensi kebakaran secara real-time. Ketika sensor mendeteksi suhu ekstrem atau keberadaan api, sistem secara otomatis akan mengaktifkan buzzer sebagai peringatan lokal dan mengirimkan notifikasi ke pengguna melalui bot Telegram. Pengujian dilakukan di lingkungan SMK YP IPPI Petojo. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi potensi kebakaran dengan akurasi yang baik, merespons dalam waktu singkat, dan memberikan informasi peringatan secara cepat. Purwarupa ini diharapkan dapat menjadi solusi praktis, terjangkau, dan efisien dalam upaya mitigasi dini terhadap bahaya kebakaran, khususnya di lingkungan sekolah dan ruang publik lainnya yang memiliki keterbatasan dalam sistem keamanan kebakaran

ANALISIS SENTIMEN TERHADAP AI DALAM PENDIDIKAN DI MEDIA SOSIAL MENGGUNAKAN METODE KUANTITATIF LOGISTIC REGRESSION Rizki Andika Prasetyo; Anindita Novelia Putri; Chairul Ichwan; Giantika Chrisnawati
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1129

The rapid growth of Artificial Intelligence (AI) has expanded its role in education and sparked diverse public reactions on social media. This study aims to analyse sentiment toward AI in education using comments from Tempo.com's posts on the TikTok platform. A quantitative approach using Logistic Regression was applied to classify sentiment into positive and negative categories. The dataset consisted of 1,247 comments, which underwent text preprocessing, data labelling, data sharing, and model training. The analysis results showed 948 comments were negative and 298 comments were positive. The Logistic Regression model achieved an accuracy of 83%; precision 0.66, recall 0.64, and F1-score 0.65 confirm the effectiveness of this method. The research findings indicate that public perception of AI in education tends to be negative, while also providing insights for educators and policymakers to respond more wisely to technological developments.Pertumbuhan pesat Artificial Intelligence (AI) telah memperluas perannya dalam pendidikan dan memicu beragam reaksi publik di media sosial. Penelitian ini bertujuan menganalisis sentimen terhadap AI dalam pendidikan dengan menggunakan komentar dari unggahan Tempo.com di platform TikTok. Pendekatan kuantitatif dengan metode Logistic Regression diterapkan untuk mengklasifikasikan sentimen ke dalam kategori positif dan negatif. Dataset terdiri atas 1.247 komentar yang diproses melalui tahap text preprocessing, pelabelan data, pembagian data, dan pelatihan model. Hasil analisis menunjukkan 948 komentar bernuansa negatif dan 298 komentar bernuansa positif. Model Logistic Regression mencapai akurasi sebesar 83%, dengan nilai precision, recall, dan F1-score yang menegaskan efektivitas metode ini. Temuan penelitian mengindikasikan bahwa persepsi publik terhadap AI dalam pendidikan cenderung negatif, sekaligus memberikan wawasan bagi pendidik dan pembuat kebijakan untuk merespons perkembangan teknologi secara lebih bijaksana

KLASIFIKASI KUALITAS BUAH APEL FUJI BEDASARKAN WARNA DAN BENTUK MENGGUNAKAN METODE KNN Dhandie Putra Kumara; Syahid Muhammad Hasan Alaydroes; Naufal Fathir
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1192

Determining the ripeness of Fuji apples has traditionally relied on manual visual observation, which is error-prone and time-consuming. This research aims to develop an automatic classification application using the K-Nearest Neighbor algorithm, incorporating color (RGB and HSV) and fruit shape features. The data used consisted of 48 images of Fuji apples from the Kudus region. The study resulted in an application capable of classifying ripeness into three classes: unripe, semi-ripe, and ripe, with 91.7% accuracy. Visual evaluation using a confusion matrix and sample image predictions demonstrated the application's performance as expected.Penentuan tingkat kematangan Apel Fuji selama ini masih mengandalkan pengamatan visual secara manual yang rentan kesalahan dan memakan waktu. Penelitian ini bertujuan mengembangkan aplikasi klasifikasi otomatis menggunakan algoritma K-Nearest Neighbor dengan fitur warna (RGB dan HSV) serta bentuk buah. Data yang digunakan terdiri dari 48 gambar Apel Fuji dari wilayah Kudus. Hasil penelitian menghasilkan aplikasi yang mampu mengklasifikasikan tingkat kematangan menjadi tiga kelas: mentah, setengah matang, dan matang dengan akurasi 91,7%. Hasil evaluasi visual melalui confusion matrix dan contoh prediksi gambar menunjukkan aplikasi berfungsi sesuai harapan.

ANALISIS EFEKTIVITAS TEKNIK INDEXING TERHADAP WAKTU EKSEKUSI QUERY SQL PADA BASIS DATA TRANSAKSI E-COMMERCE M Aldy Zulfa Saputra; Muchammad Soufwan Fauzi; Rangga Dzikri Fardiansyah; Zaki Kafila Pamungkas; Dicky Anggriawan Nugroho; Imam Prayogo Pujiono
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1076

This study examines the effect of indexing techniques on SQL query execution speed in a MySQL-based e-commerce transaction database. Performance issues often arise as data volume increases because the system must scan the entire table, resulting in slow response times. To analyze this problem, this study employed a pure experimental method by testing three index conditions: no index, a single index, and a composite index. Testing was conducted using a synthetic dataset of 20,000 rows depicting e-commerce transaction activity. Each condition was evaluated using a series of SELECT queries. Measurements were made through execution time and execution plans displayed by the EXPLAIN command. The results showed that using indexes provided a significant performance improvement. A single index successfully reduced execution time from 0.2380 seconds to 0.0740 seconds, while a composite index resulted in an execution time of 0.0900 seconds. Both types of indexes reduced the number of rows scanned across the entire table to only tens of rows. A single index is more suitable for simple queries with high selectivity, while a composite index is more effective for queries with more than one condition. However, implementing an index requires additional storage space and causes the data write process to run slightly slower. Overall, this study confirms that an indexing strategy tailored to query patterns and data characteristics can significantly improve the performance of e-commerce transaction databases.Penelitian ini mengkaji pengaruh teknik indexing terhadap kecepatan eksekusi query SQL pada basis data transaksi e-commerce berbasis MySQL. Gangguan kinerja sering muncul ketika jumlah data meningkat karena sistem harus melakukan pemindaian seluruh tabel yang menyebabkan waktu respon menjadi lambat. Untuk menganalisis permasalahan tersebut, penelitian ini menerapkan metode eksperimen murni dengan menguji tiga kondisi indeks yaitu tanpa indeks, indeks tunggal, dan indeks komposit. Pengujian dilakukan menggunakan dataset sintetis berjumlah 20.000 baris yang menggambarkan aktivitas transaksi e-commerce. Setiap kondisi dievaluasi menggunakan serangkaian query SELECT. Pengukuran dilakukan melalui waktu eksekusi dan rencana eksekusi yang ditampilkan oleh perintah EXPLAIN. Hasil penelitian menunjukkan bahwa penggunaan indeks memberikan peningkatan performa yang sangat signifikan. Indeks tunggal berhasil menurunkan waktu eksekusi dari 0,2380 detik menjadi 0,0740 detik, sedangkan indeks komposit menghasilkan waktu eksekusi 0,0900 detik. Kedua jenis indeks ini mengurangi jumlah baris yang dipindai dari seluruh tabel menjadi hanya puluhan baris. Indeks tunggal lebih sesuai untuk query sederhana dengan selectivity yang tinggi, sedangkan indeks komposit lebih efektif untuk query yang memiliki lebih dari satu kondisi. Meskipun demikian, penerapan indeks memerlukan ruang penyimpanan tambahan dan menyebabkan proses penulisan data berjalan sedikit lebih lambat. Secara keseluruhan, penelitian ini menegaskan bahwa strategi indexing yang disesuaikan dengan pola query dan karakteristik data mampu meningkatkan performa basis data transaksi e-commerce secara signifikan

ANALISIS SENTIMEN TERHADAP CYBERBULLYING DI MEDIA SOSIAL MENGGUNAKAN METODE KUANTITATIF NAÏVE BAYES Siti Hani Fadilah; Aditya Fanial Rizki; Khairunnisa Regita Cahyani; Giantika Chrisnawati
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1144

TikTok is a digital interaction platform with a high user base. Cyberbullying is a technology-based form of bullying that can have serious impacts on the mental and social well-being of victims; therefore, understanding public perception of the issue is crucial. This study aims to identify public opinion trends regarding the current prevalence of cyberbullying. This study uses data from comments on a TikTok account and classifies these comments into positive, negative, and neutral sentiment classes. The method used is quantitative, with the naïve bayes algorithm, supported by text mining processes including data cleaning, tokenisation, stopword removal, stemming, and extraction using TF-IDF. The research dataset consisted of 1,100 comments, and after filtering, 779 comments were finalised. The test results show that naïve bayes is capable of providing good sentiment classification based on accuracy, precision, recall, and F1-score values. These findings are expected to raise awareness and minimise the occurrence of cyberbullying on social media.Media Sosial Tiktok menjadi salah satu ruang interaksi digital dengan tingkat pengguna yang tinggi. Cyberbullying merupakan perilaku perundungan berbasis teknologi yang dapat berdampak serius pada kondisi mental dan sosial korban, sehingga diperlukan pemahaman mengenai persepsi publik mengenai isu tersebut. Penelitian ini bertujuan untuk mengidentifikasi kecenderungan opini masyarakat terhadap kasus cyberbullying yang sedang marak terjadi. Penelitian ini menggunakan data dari komentar salah satu akun di TikTok, serta mengklasifikan komentar tersebut kedalam kelas sentiment positif, negatif, maupun netral. Metode yang digunakan adalah kuantitatif dengan algoritma naïve bayes, didukung oleh proses text mining mulai dari pembersihan data, tokenisasi, stopword removal, stemming, dan ekstraksi menggunakan TF-IDF. Dataset penelitian ini terdiri dari 1.100 komentar dan telah dilakukan penyaringan komentar yang berubah menjadi 779 komentar. Hasil pengujian menunjukan bahwa naïve bayes mampu memberikan klasifikasi sentimen dengan baik berdasarkan nilai akurasi, precision, recall, maupun F1-score yang diperoleh. Temuan ini diharapkan mampu meningkatkan kesadaran dan meminimalkan terjadinya cyberbullying di media sosial

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
Ahmad Fitriansyah

Contact Email
ahmad.fitriansyah@swadharma.ac.id

Phone
+6287870716976

Journal Mail Official
jurnal.jeis@swadharma.ac.id

Editorial Address
Kampus 1 Institut Teknologi dan Bisnis Swadharma Jl. Malaka No.3, Tambora, Jakarta Barat 11230

Location
Kota tangerang selatan,

Banten

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name Ahmad Fitriansyah

Contact Email ahmad.fitriansyah@swadharma.ac.id

Phone +6287870716976

Journal Mail Official jurnal.jeis@swadharma.ac.id

Editorial Address Kampus 1 Institut Teknologi dan Bisnis Swadharma Jl. Malaka No.3, Tambora, Jakarta Barat 11230

Location Kota tangerang selatan, Banten INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
Ahmad Fitriansyah

Contact Email
ahmad.fitriansyah@swadharma.ac.id

Phone
+6287870716976

Journal Mail Official
jurnal.jeis@swadharma.ac.id

Editorial Address
Kampus 1 Institut Teknologi dan Bisnis Swadharma Jl. Malaka No.3, Tambora, Jakarta Barat 11230

Location
Kota tangerang selatan,

Banten

INDONESIA