Jurnal Ilmu Komputer dan Informatika
Jurnal Ilmu Komputer dan Informatika (JIKI) merupakan sebuah jurnal ilmiah nasional yang mempublikasikan artikel hasil penelitian di bidang Ilmu Komputer, Informatika, dan Sistem Informasi, terutama pada pengembangan software, pengembangan sistem informasi, sistem komputer, jaringan komputer, algoritma dan komputasi, serta penerapan teknologi informasi. Jurnal Ilmu Komputer dan Informatika (JIKI) terdaftar di LIPI dengan P-ISSN : 2807-6664 dan E-ISSN : 2807-6591. Selain itu, JIKI terdaftar di Crossref dengan DOI : https://doi.org/10.54082/jiki.IDPaper. Jurnal Ilmu Komputer dan Informatika (JIKI) dipublikasikan 2 kali dalam setahun, yaitu pada bulan Juni dan Desember. Semua penerimaan naskah akan diproses secara double blind review oleh mitra bestari. Jurnal Ilmu Komputer dan Informatika (JIKI) menerima artikel ilmiah hasil penelitian dari beberapa bidang sebagai berikut : - Organisasi sistem komputer: Arsitektur komputer, sistem tertanam, komputasi waktu nyata - Jaringan : Arsitektur jaringan, protokol jaringan, komponen jaringan, evaluasi kinerja jaringan, layanan jaringan - Keamanan: Kriptografi, layanan keamanan, sistem deteksi intrusi, keamanan perangkat keras, keamanan jaringan, keamanan informasi, keamanan aplikasi - Organisasi perangkat lunak : Penerjemah, Middleware, Mesin virtual, Sistem operasi, Kualitas perangkat lunak - Notasi dan alat perangkat lunak : Paradigma pemrograman, Bahasa pemrograman, Bahasa khusus domain, Bahasa pemodelan, Kerangka kerja perangkat lunak, Lingkungan pengembangan terintegrasi - Pengembangan perangkat lunak : Proses pengembangan perangkat lunak, Analisis kebutuhan, Desain perangkat lunak, Konstruksi perangkat lunak, Penyebaran perangkat lunak, Pemeliharaan perangkat lunak, Tim pemrograman, Model sumber terbuka - Teori Komputasi : Model Komputasi, Kompleksitas Komputasi - Algoritma : Desain algoritma, Analisis algoritma - Matematika komputasi : Matematika diskrit, Perangkat lunak matematika, Teori informasi - Sistem informasi : Sistem manajemen basis data, Sistem penyimpanan informasi, Sistem informasi perusahaan, Sistem informasi sosial, Sistem informasi geografis, Sistem pendukung keputusan, Sistem kontrol proses, Sistem informasi multimedia, Penambangan data, Perpustakaan digital, Platform komputasi, Pemasaran digital, World Wide Web , Pengambilan informasi - Interaksi manusia-komputer : Desain interaksi, Komputasi sosial, Komputasi di mana-mana, Visualisasi, Aksesibilitas - Konkurensi: Komputasi bersamaan, Komputasi paralel, Komputasi terdistribusi - Kecerdasan buatan : Pemrosesan bahasa alami, Representasi dan penalaran pengetahuan, Visi komputer, Perencanaan dan penjadwalan otomatis, Metodologi pencarian, Metode kontrol, Filosofi kecerdasan buatan, Kecerdasan buatan terdistribusi - Pembelajaran mesin: Pembelajaran dengan pengawasan, Pembelajaran tanpa pengawasan, Pembelajaran penguatan, Pembelajaran multi-tugas - Grafik : Animasi, Rendering, Manipulasi gambar, Unit pemrosesan grafik, Realitas campuran, Realitas virtual, Kompresi gambar, Pemodelan padat - Komputasi terapan: E-commerce, Perangkat lunak perusahaan, Penerbitan elektronik, Cyberwarfare, Pemungutan suara elektronik, Video game, Pengolah kata, Riset operasi, Teknologi pendidikan, Manajemen dokumen.
Articles
7 Documents
Search results for
, issue
"Vol 4 No 1 (2024): JIKI - Juni 2024"
:
7 Documents
clear
<![CDATA[Sistem Rekomendasi untuk Maksimalisasi Industri Film dengan Metode Demographic Filtering dan Content Based Filtering ]]>
<![CDATA[Lestari, Puji]]>
<![CDATA[ Jurnal Ilmu Komputer dan Informatika Vol 4 No 1 (2024): JIKI - Juni 2024 ]]>
Publisher : <![CDATA[CV Firmos ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.54082/jiki.104
<![CDATA[Saat ini terjadinya peningkatan demand terhadap layanan streaming terutama di industri perfilman, di tahun 2021 pendapatan yang dihasilkan dari langganan video on demand di Indonesia dapat mencapai USD 411 juta. Untuk memaksimalkan penggunaan layanan streaming ini diperlukan suatu sistem yang dapat menguntungkan produsen dan juga pengguna. Salah satu sistem tersebut adalah movie recommendation system yang dapat membantu pengguna dengan memberikan rekomendasi film terbaik dan sesuai dengan preferensi pengguna. Sistem ini juga dapat membantu perusahaan untuk menentukan target pasar dan memaksimalisasi produksi film. Penelitian ini menggunakan dua metode dalam membuat rekomendasi sistem yaitu Demographic Filtering dan Content Based Filtering. Dengan menggunakan data yang berisi 3.315.117,054 rating yang berasal dari 4803 pengguna untuk 4801 film, sistem ini berhasil merekomendasikan 10 film dengan peringkat teratas bagi pengguna baru dengan menggunakan metode Demographic Filtering serta 10 film rekomendasi lainnya yang menyesuaikan dengan preferensi pengguna berdasarkan infromasi sinopsis, genre, credit, dan keyword film dengan menggunakan metode Content Based Filtering sehingga rekomendasi yang diberikan lebih terpesonalisasi dengan preferensi pengguna. Kedua sistem dasar ini sangat efektif untuk digunakan karena dapat menguntungkan kedua pihak yaitu pengguna dan produsen film.]]>
<![CDATA[Penyiraman Otomatis Menggunakan Arduino Uno pada Tanaman Greenhouse MA. Nurul Khoiroh ]]>
<![CDATA[Walid, Moh.]]>;
<![CDATA[Susanto, Adi]]>
<![CDATA[ Jurnal Ilmu Komputer dan Informatika Vol 4 No 1 (2024): JIKI - Juni 2024 ]]>
Publisher : <![CDATA[CV Firmos ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.54082/jiki.121
<![CDATA[YASPENSOS (Yayasan Pendidikan Sosial) Nurul Khoiroh merupakan lembaga pendidikan yang menaungi MA. Nurul Khoiroh yang berlokasi di Desa Pekarangan, Kecamatan Kelir, Kecamatan Kalipuro, Kabupaten Banyuwangi. MA. Nurul Khoiroh yang saat ini tengah melaksanakan program "Madrasah Adiwiyata" dan tergabung dalam kegiatan "Madrasah Adiwiyata" memiliki sebuah greenhouse untuk belajar dan menanam tanaman herbal. Namun, belum ada teknologi penyiraman otomatis yang dapat mendukung program penyiraman di dalam greenhouse. Penelitian ini bertujuan untuk merancang sebuah sistem penyiraman otomatis dengan memanfaatkan Arduino Uno guna meningkatkan efisiensi perawatan tanaman di dalam kebun. Strategi yang digunakan adalah Rapid Application Development (RAD) untuk pengembangan model. Hasil penelitian menunjukkan bahwa sistem penyiraman otomatis yang direncanakan dapat meningkatkan efisiensi penyiraman dan memudahkan siswa dan guru dalam merawat tanaman di dalam greenhouse. Pemanfaatan Arduino Uno sebagai tahapan paling mutakhir telah terbukti fleksibel dan mudah diingat, sehingga sangat tepat untuk dimanfaatkan dalam lingkungan pendidikan di MA. Nurul Khoiroh.]]>
<![CDATA[Perbandingan Metrik Euclidean dan Metrik Manhattan untuk K-Nearest Neighbors dalam Klasifikasi Kismis ]]>
<![CDATA[Aprihartha, Moch. Anjas]]>;
<![CDATA[Alam, Taufik Nur]]>;
<![CDATA[Husniyadi, M.]]>
<![CDATA[ Jurnal Ilmu Komputer dan Informatika Vol 4 No 1 (2024): JIKI - Juni 2024 ]]>
Publisher : <![CDATA[CV Firmos ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.54082/jiki.126
<![CDATA[Pada konfrensi negara-negara penghasil kismis tanpa biji ke-63, Negara Turki dinobatkan sebagai pemimpin dunia dalam produksi dan ekspor kismis musim 2022/2023. Dalam menghasilkan kismis yang berkualitas sangat bergantung pada varietas anggur dan proses pengolahannya seperti pengeringan, grading, dll. Pada beberapa tempat, penyortiran kismis masih dilakukan secara manual berdasarkan indeks mutu. Namun, proses penyortiran dengan manual memiliki beberapa kelemahan seperti membutuhkan biaya yang besar dan pemilihan kismis oleh manusia cenderung tidak konsisten serta kurang efisien. Untuk mengatasi masalah tersebut maka dilakukan penelitian untuk mengembangkan metode alternatif dalam mengidentifikasi jenis kismis. K-Nearest Neighbors (KNN) merupakan algoritma machine learning nonparametrik yang dapat menyelesaikan masalah klasifikasi atau regresi. Metode KNN memprediksi kategori dengan memanfaatkan hubungan jarak antartetangga terdekat. Dalam analisis data, mengetahui jarak antartetangga terdekat dapat dihitung menggunakan dua metrik utama seperti jarak Manhattan dan jarak Euclidean. Studi kali ini akan mengembangkan metode KNN dalam mendeteksi jenis kismis Besni dan Kecimen. Setiap pelatihan dan pengujian menggunakan parameter k yang berbeda, yaitu 3, 5, 7, dan 9. Hasil penelitian diperoleh KNN pada metrik Euclidean menunjukkan nilai akurasi, presisi, sensitivitas, dan spesifisitas untuk setiap k hampir tidak memiliki perbedaan yang signifikan. Akurasi tertinggi sebesar 0,850 ketika k=7 dan k=9. Sedangkan KNN pada metrik Manhattan menunjukkan Akurasi tertinggi sebesar 0,867 ketika k=5 dan k=7. Algoritma KNN dengan metrik Manhattan dan metrik Euclidean, keduanya memberikan akurasi yang kuat dalam mengklasifikasikan data. Berdasarkan hasil uji kedua algoritma maka KNN pada metrik Manhattan lebih baik dibandingkan KNN pada metrik Euclidean.]]>
<![CDATA[Efektifitas SMOTE dalam Mengatasi Imbalanced Class Algoritma K-Nearest Neighbors pada Analisis Sentimen terhadap Starlink ]]>
<![CDATA[Candra, Candra]]>;
<![CDATA[Chandra, Kelvin William]]>;
<![CDATA[Irsyad, Hafiz]]>
<![CDATA[ Jurnal Ilmu Komputer dan Informatika Vol 4 No 1 (2024): JIKI - Juni 2024 ]]>
Publisher : <![CDATA[CV Firmos ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.54082/jiki.132
<![CDATA[Imbalanced class menjadi salah satu tantangan utama dalam melakukan analisis sentimen, khususnya antara ulasan positif dan negatif yang dapat menyebabkan bias prediksi. Penelitian ini bertujuan untuk mengetahui lebih lanjut apakah permasalahan imbalanced class pada algoritma K-Nearest Neighbors (KNN) dapat diatasi dengan menggunakan SMOTE (Synthetic Minority Over-sampling Technique) pada analisis sentimen terhadap layanan Starlink. SMOTE akan digunakan untuk menciptakan sampel sintetis dari kelas minoritas untuk mengatasi ketidakseimbangan data. Hasil penelitian menunjukkan bahwa sebelum menggunakan SMOTE performa model KNN menghasilkan 69,97% (Accuracy), 68,47% (Precission), 64,99% (Recall), 65,41% (F1-Score). Namun, setelah menggunakan SMOTE performa model KNN mengalami peningkatan menjadi 76,74% (Accuracy), 79,15% (Precission), 75,91% (Recall), 75,82% (F1-Score). Dengan peningkatan ini, dapat disimpulkan bahwa kombinasi antara algoritma KNN dan SMOTE berhasil meningkatkan akurasi dan keandalan model KNN dalam mengatasi imbalanced class pada analisis sentimen terhadap layanan Starlink.]]>
<![CDATA[Analisis Sentimen Masyarakat terhadap Kasus Korupsi PT. Timah Menggunakan Metode Support Vector Machine ]]>
<![CDATA[Caroline, Fionna]]>;
<![CDATA[Budi, Raden George Samuel]]>;
<![CDATA[Rivan, Muhammad Ezar Al]]>
<![CDATA[ Jurnal Ilmu Komputer dan Informatika Vol 4 No 1 (2024): JIKI - Juni 2024 ]]>
Publisher : <![CDATA[CV Firmos ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.54082/jiki.141
<![CDATA[Korupsi adalah penyalahgunaan jabatan publik untuk keuntungan pribadi yang dimana korupsi ini dapat memberikan kerugian besar bagi negara maupun masyarakat. Topik yang dipilih untuk penelitian ini adalah kasus korupsi PT. Timah yang sedang hangat dibicarakan dikarenakan kerugian negara yang mencapai 271 T. Untuk membantu analisis dalam penelitian ini, dibangunlah sebuah sistem yang dapat mendeteksi sentimen publik yang sudah dikumpulkan dari platform Youtube dengan metode Support Vector Machine. Model yang sudah dilatih dengan dataset akan diseimbangkan dengan SMOTE karena tidak meratanya kelas klasifikasi. Model klasifikasi yang telah dibangun dengan support vektor machine mendapatkan hasil presisi pada sentimen negatif 91% dan sentimen positif 44%, recall pada sentimen negatif 96% dan sentimen positif 22%, F1-Score pada sentimen negatif 93% dan sentimen positif 30%, serta jumlah sample pada kelas sentimen negatif 140 dan kelas sentimen positif 18.]]>
<![CDATA[Prediksi Kanker Darah Menggunakan Metode Convolutional Neural Network ]]>
<![CDATA[Istiqomah, Hani]]>;
<![CDATA[Purwono, Purwono]]>;
<![CDATA[Ardianto, Rian]]>
<![CDATA[ Jurnal Ilmu Komputer dan Informatika Vol 4 No 1 (2024): JIKI - Juni 2024 ]]>
Publisher : <![CDATA[CV Firmos ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.54082/jiki.156
<![CDATA[Leukemia pada anak-anak di Indonesia menjadi perhatian serius dalam bidang kesehatan karena variasi tingkat kelangsungan hidup dan dampak negatif dari pengobatan. Penelitian ini bertujuan meningkatkan deteksi dini dan pengelolaan leukemia pada anak-anak melalui penerapan metode Convolutional Neural Network (CNN). Metode yang digunakan adalah arsitektur MobileNetV2 untuk mengklasifikasikan gambar sel darah terkait kanker darah. Dataset yang digunakan berisi 3257 gambar sel darah yang telah dipreproses menjadi resolusi 300x300 piksel. Hasil penelitian menunjukkan bahwa implementasi CNN dengan arsitektur MobileNetV2 menghasilkan akurasi 95.6%, presisi 94.8%, recall 96.2%, dan F1-score 95.5%. Evaluasi model menggunakan confusion matrix menunjukkan tingkat kesalahan yang rendah dalam klasifikasi gambar normal dan leukemia, menyoroti efisiensi dan efektivitas MobileNetV2 dalam klasifikasi gambar medis.]]>
<![CDATA[Analisis Supervised dan Unsupervised Learning pada Machine Learning: Systematic Literature Review ]]>
<![CDATA[Nurhalizah, Ria Suci]]>;
<![CDATA[Ardianto, Rian]]>;
<![CDATA[Purwono, Purwono]]>
<![CDATA[ Jurnal Ilmu Komputer dan Informatika Vol 4 No 1 (2024): JIKI - Juni 2024 ]]>
Publisher : <![CDATA[CV Firmos ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.54082/jiki.168
<![CDATA[Artikel ini menyajikan tinjauan sistematis mengenai dua paradigma utama dalam Machine Learning yaitu Supervised Learning dan Unsupervised Learning, dengan tujuan memberikan pemahaman mendalam tentang perbedaan, serta kelebihan dan kekurangan masing-masing metode. Penelitian ini menerapkan metode Literature Review (SLR) berdasarkan pedoman PRISMA untuk menganalisis studi-studi relevan yang dipublikasikan dalam lima tahun terakhir. Dari total 540 artikel yang diperoleh, 10 artikel dipilih untuk ditelaah lebih lanjut, terdiri dari lima mengenai Supervised Learning dan lima mengenai Unsupervised Learning. Hasil analisis menunjukkan bahwa Supervised Learning menggunakan data berlabel Systematic untuk prediksi dan klasifikasi dengan algoritma seperti K-Nearest Neighbor (KNN), Naïve Bayes, Decision Tree, dan Support Vector Machine (SVM), yang umumnya menghasilkan akurasi tinggi. Di sisi lain, Unsupervised Learning yang tidak membutuhkan data berlabel, fokus pada eksplorasi data dan pengelompokan menggunakan algoritma seperti K-Means, Artificial Neural Network (ANN), dan Gaussian Mixture Model(GMM), menawarkan fleksibilitas yang lebih besar meski dengan akurasi yang biasanya lebih rendah. Kedua pendekatan ini memiliki kelebihan dan keterbatasan masing-masing, dan pemilihan metode yang tepat harus mempertimbangkan tujuan aplikasi, ketersediaan data, dan karakteristik data.]]>
