cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Arif Bijaksana Putra Negara
Contact Email
arifbpn@untan.ac.id
Phone
+62811578624
Journal Mail Official
editor_justin@informatika.untan.ac.id
Editorial Address
Sekretariat Justin Gedung Informatika Fakultas Teknik Universitas Tanjungpura Jl. Prof. Dr. Hadary Nawawi Pontianak 78124
Location
Kota pontianak,
Kalimantan barat
INDONESIA
JUSTIN (Jurnal Sistem dan Teknologi Informasi)
Published by Universitas Tanjungpura
ISSN : 24603562     EISSN : 26208989     DOI : http://dx.doi.org/10.26418/justin
Core Subject : Science,
Computer Science & IT
JUSTIN aims to publish research results and thoughts among academics, researchers, scientists, and practitioners in the field of informatics/computer science so that they are freely available to the public, and support the exchange of knowledge. The scope of JUSTIN is but is not limited to the following: theory and information science, information systems, information security, data processing and structure, programming and computing, software engineering, informatics, computer science, computer engineering, architecture and computer networks, robotics, parallel and distributed computing, operating systems, compilers and interpreters, games, numerical methods, mobile computing, natural language processing, data mining, cognitive systems, speech processing, machine learning, artificial intelligence, expert systems, geographical information systems, computational theory, and informatics applications in various fields.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 674 Documents
 64   65   66   67   68 
Studi Faktor Resistensi dan Solusi dalam Fitur Pengurangan Jejak Karbon dalam Aplikasi Gojek Wibowo, Vania Malinda; Maghfiroh, Intan Sartika Eris; Akbar, Muhammad Aminul
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 14, No 2 (2026)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v14i2.90433

Abstract

Peningkatan jumlah kendaraan bermotor di Indonesia menyebabkan peningkatan emisi. Untuk mengatasi masalah ini, Gojek meluncurkan fitur Pohon Kolektif GoGreener yang memungkinkan pengguna berkontribusi dalam penanaman pohon. Namun, fitur ini belum banyak digunakan, terutama oleh mahasiswa Fakultas Ilmu Komputer Universitas Brawijayab (mayoritas sebesar 60,5% tidak mengetahui adanya fitur) . Sehingga penelitian ini dilakukan untuk menemukan faktor dari resistensi pasif dalam penggunaan fitur dan memberikan rekomendasi solusi untuk mendorong peningkatan adopsi fitur. Pendekatan kualitatif dengan metode wawancara semi-terstruktur digunakan untuk mengumpulkan data dari pengguna aktif Gojek yang belum pernah menggunakan fitur dan tidak pernah tahu terkait keberadaan, serta informasi tentang fitur. Analisis tematik mengungkap tujuh faktor penghambat: (1) rendahnya pengetahuan tentang cara kerja fitur (100% responden), (2) ketidakpahaman manfaat (63,6%), (3) persepsi biaya merugikan karena mengurangi kesempatan promo, (4) minimnya dukungan sosial (seluruh responden tidak pernah diajak menggunakan), (5) personal norms yang lemah (63,6% merasa upaya sia-sia tanpa bukti transparansi), (6) budaya dan kebiasaan yang belum mendukung, serta (7) keterlihatan fitur rendah dalam aplikasi (54,5%). Rekomendasi yang diusulkan meliputi peningkatan transparansi program melalui laporan dampak periodik, optimalisasi penempatan fitur pada layanan GoCar dan GoRide, inovasi model pembayaran yang tidak membebani, serta pemberian insentif untuk mendorong adopsi awal.
Analisis Sentimen Komentar YouTube Clash of Champions Ruangguru: Pendekatan Multinomial Logistic Regression dan Pemodelan Topik LDA Fadlilah, Nafiatul; Wakhidah, Rokhimatul; Saputra, Pramana Yoga
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 14, No 2 (2026)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v14i2.97147

Abstract

Konten edukatif umumnya memiliki tingkat konsumsi yang lebih rendah dibandingkan konten hiburan di YouTube Indonesia. Namun, program Clash of Champions produksi Ruangguru menunjukkan bahwa pendekatan edutainment mampu menarik perhatian publik secara luas. Penelitian ini bertujuan mengevaluasi pengaruh penyeimbangan data dan reduksi fitur berbasis PCA terhadap kinerja Multinomial Logistic Regression (MLR) dengan representasi TF-IDF, serta mengidentifikasi pola tematik komentar melalui pemodelan topik Latent Dirichlet Allocation (LDA). Hasil penelitian menunjukkan bahwa peningkatan deteksi sentimen negatif terutama dipengaruhi oleh strategi penyeimbangan data, sedangkan PCA tidak memberikan peningkatan signifikan secara independen namun berperan menjaga stabilitas dan efisiensi model. Kombinasi MLR dengan SMOTE dan PCA pada rasio data latih–uji 90:10 menghasilkan akurasi sebesar 0,75 dan F1-score sebesar 0,53 (negatif), 0,69 (netral), dan 0,85 (positif), menunjukkan performa paling seimbang dalam mengenali seluruh kelas sentimen. Pemodelan topik menghasilkan coherence score sebesar 0,5719 (positif) dan 0,4050 (negatif), mengindikasikan bahwa komentar positif cenderung terpusat pada beberapa tema utama, sementara komentar negatif lebih beragam dan mencerminkan isu yang spesifik.
Prediksi Suhu Udara Menggunakan Long Short-Term Memory (LSTM) pada Data AWOS Anggraini, Defi; Khalid, Khalid; Rolliawati, Dwi; Prayuda, Shanas Septy; Alfarisy, Alfan
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 14, No 2 (2026)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v14i2.99858

Abstract

Penelitian ini mengembangkan model prediksi suhu udara jangka pendek berbasis Long Short-Term Memory (LSTM) menggunakan data deret waktu dari Automatic Weather Observing System (AWOS) BMKG Juanda. Pemanfaatan data operasional AWOS yang bersifat kontinu dan real-time memberikan peluang untuk meningkatkan akurasi peramalan suhu pada lingkungan bandara yang memiliki dinamika cuaca tinggi. Penelitian ini membandingkan dua pendekatan pemodelan, yaitu LSTM murni dan LSTM dengan seleksi fitur berbasis Principal Component Analysis (PCA), untuk mengevaluasi pengaruh reduksi dimensi terhadap performa prediksi suhu udara. Dataset yang digunakan merupakan data observasi meteorologi tahun 2022 dengan interval 30 menit. Hasil evaluasi pada data pengujian menunjukkan bahwa kedua model menghasilkan kinerja yang sangat baik dengan nilai MAE sekitar 0,31 °C. Model LSTM + PCA menghasilkan MAE sebesar 0,3171 °C, sedangkan LSTM murni sebesar 0,3178 °C, menunjukkan bahwa perbedaan akurasi kedua pendekatan relatif kecil. Meskipun tidak meningkatkan akurasi secara signifikan, penerapan PCA mampu mengurangi kompleksitas fitur dan meningkatkan efisiensi komputasi pada proses pelatihan model. Kontribusi penelitian ini terletak pada pemanfaatan data AWOS operasional nyata, penerapan fitur meteorologi multivariat dalam pemodelan LSTM, serta evaluasi pengaruh seleksi fitur berbasis PCA melalui perbandingan performa antara model LSTM murni dan LSTM+PCA dalam prediksi suhu udara jangka pendek di lingkungan bandara. Hasil penelitian menunjukkan bahwa arsitektur LSTM efektif untuk pemodelan deret waktu meteorologi berbasis AWOS dan berpotensi mendukung sistem peringatan dini dalam operasional penerbangan.
Analisis Model Machine learning dan Imputasi Data untuk Prediksi Tinggi Badan Anak: Systematic Literature Review Shauqie, Shahieza Alfadia; Fauzan, Mohamad Nurkamal
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 14, No 2 (2026)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v14i2.94175

Abstract

Stunting dan wasting merupakan dua masalah kesehatan utama yang berdampak pada pertumbuhan fisik dan perkembangan kognitif anak secara global. Tinggi badan anak adalah salah satu indikator penting dalam mendeteksi kondisi tersebut, namun pengukuran dan pemantauan tinggi badan secara manual sering kali menemui hambatan, seperti ketersediaan data yang memadai. Seiring berkembangnya teknologi, penerapan model machine learning menjadi alternatif yang mulai banyak digunakan untuk memprediksi tinggi badan anak secara lebih efektif dan efisien. Penelitian ini bertujuan untuk mengidentifikasi tren penggunaan machine learning, pendekatan prediktif yang digunakan, teknik imputasi data yang relevan, serta variabel-variabel yang sering digunakan. Metode Systematic Literature Review (SLR) digunakan untuk mengumpulkan dan menganalisis literatur terkait, dengan strategi pencarian yang disusun berdasarkan kata kunci spesifik dan penyaringan menggunakan pendekatan PRISMA. Hasil kajian terhadap puluhan artikel ilmiah mengungkapkan bahwa model-model ensemble seperti Random Forest, Gradient Boosting, dan Neural Network menunjukkan performa prediktif yang sangat baik dan konsisten di berbagai konteks studi. Selain itu, teknik imputasi data terbukti efektif dalam memperbaiki kualitas data input yang hilang, sehingga meningkatkan akurasi prediksi. Namun, studi ini juga menemukan bahwa integrasi antara metode prediksi dan teknik imputasi dalam satu penelitian masih sangat terbatas, sehingga menjadi celah yang potensial untuk dikembangkan dalam penelitian selanjutnya. Selain itu, penelitian ini mengidentifikasi adanya variasi signifikan dalam pelaporan metrik evaluasi dan penggunaan pendekatan yang berbeda sesuai karakteristik data dan tujuan analisis. Temuan ini memberikan landasan penting untuk pengembangan model prediktif yang lebih holistik, mampu mengakomodasi kompleksitas data biologis dan antropometrik, serta berpotensi mendukung intervensi gizi anak secara lebih tepat dan efektif di masa depan.

Page 68 of 68 | Total Record : 674

 64   65   66   67   68 

Filter by Year

2013 2026


Reset
Filter By Issues
All Issue Vol 14, No 2 (2026) Vol 14, No 1 (2026) Vol 13, No 4 (2025) Vol 13, No 3 (2025) Vol 13, No 2 (2025) Vol 13, No 1 (2025) Vol 12, No 4 (2024) Vol 12, No 3 (2024) Vol 12, No 2 (2024) Vol 12, No 1 (2024) Vol 11, No 4 (2023) Vol 11, No 3 (2023) Vol 11, No 2 (2023) Vol 11, No 1 (2023) Vol 10, No 4 (2022) Vol 10, No 3 (2022) Vol 10, No 2 (2022) Vol 10, No 1 (2022) Vol 9, No 4 (2021) Vol 9, No 3 (2021) Vol 9, No 2 (2021) Vol 9, No 1 (2021) Vol 8, No 4 (2020) Vol 8, No 3 (2020) Vol 8, No 2 (2020) Vol 8, No 1 (2020) Vol 7, No 4 (2019) Vol 7, No 3 (2019) Vol 7, No 2 (2019) Vol 7, No 1 (2019) Vol 6, No 4 (2018) Vol 6, No 3 (2018) Vol 6, No 2 (2018) Vol 6, No 1 (2018) Vol 5, No 4 (2017) Vol 5, No 3 (2017) Vol 5, No 2 (2017) Vol 5, No 1 (2017) Vol 4, No 3 (2016) Vol 4, No 2 (2016) Vol 4, No 1 (2016) Vol 3, No 3 (2015) Vol 3, No 2 (2015) Vol 3, No 1 (2015) Vol 2, No 3 (2014) Vol 2, No 2 (2014) Vol 2, No 1 (2014) Vol 1, No 3 (2013) Vol 1, No 2 (2013) Vol 1, No 1 (2013) More Issue