cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Surya Guntur
Contact Email
guntur@polgan.ac.id
Phone
+6282363800909
Journal Mail Official
guntur@polgan.ac.id
Editorial Address
Jl. Veteran No. 194 Medan Pasar 6 Manunggal
Location
Kota medan,
Sumatera utara
INDONESIA
Jurnal Minfo Polgan (JMP)
Published by Politeknik Ganesha Medan
ISSN : 20899424     EISSN : 27973298     DOI : -
Core Subject : Science, Education, Social,
Computer Science & IT Library & Information Science Mathematics Social Sciences
Jurnal Minfo Polgan (JMP) merupakan jurnal nasional yang diterbitkan oleh Program Studi Manajemen Informatika Politeknik Ganesha Medan terbit berkala (satu tahun dua kali yaitu Maret dan September) dengan tujuan untuk menyebarluaskan hasil riset bidang teknologi dan informasi kepada para akademisi, praktisi, mahasiswa, dan lain-lain. Jurnal Minfo Polgan (JMP) menerima kiriman artikel hasil riset bidang teknologi dan informasi yang ditulis dalam Bahasa Indonesia. Agar hasil riset bidang teknologi dan informasi yang dimuat dapat bermanfaat untuk pengembangan bidang teknologi dan informasi. Adapun ruang lingkup Jurnal Minfo Polgan adalah: 1. Sistem Pendukung Keputusan (SPK/DSS) 2. Sistem Informasi Geografis (GIS/SIG) 3. Sistem informasi skala enterprise (ERP, EAI, CRM, SCM) 4. Keamanan Sistem Informasi 5. Sistem Informasi Berbasis Web 6. Sistem Berbasis Pengetahuan & Data mining 7. Mobile Computing 8. Multimedia
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 1,263 Documents
 122   123   124   125   126 
SawitScan: Aplikasi Android untuk Deteksi Kematangan dan Prioritas Panen Kelapa Sawit Berbasis YOLO26 dan Metode SAW Juriawan Raja Saputra; Irma Salamah; Ahmad Taqwa
Jurnal Minfo Polgan Vol. 15 No. 3 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i3.16447

Abstract

ABSTRAK Penentuan kematangan tandan buah segar (TBS) kelapa sawit di lapangan masih banyak dilakukan secara manual, sehingga bersifat subjektif dan rawan menimbulkan kesalahan panen, sementara penentuan area yang diprioritaskan untuk dipanen lebih dahulu juga belum dilakukan secara sistematis. Penelitian ini mengembangkan dan mengevaluasi SawitScan, aplikasi Android yang menggabungkan deteksi objek YOLO26 untuk klasifikasi kematangan (ripe, underripe, unripe) secara on-device melalui kamera smartphone, pencatatan koordinat GPS otomatis tiap deteksi, dan sistem pendukung keputusan Simple Additive Weighting (SAW) untuk menghitung skor prioritas panen tiap klaster lokasi. Model YOLO26n dilatih pada dataset gabungan 1.124 citra karena arsitekturnya yang ringan dan desain end-to-end tanpa Non-Maximum Suppression yang sesuai untuk implementasi mobile, dengan akurasi kompetitif (precision 89,8%, recall 87,3%, mAP@0.5 92,1%). Evaluasi independen model akhir yang ter-embed pada aplikasi (TFLite) pada data uji menghasilkan mAP@0.5 0,748 dan F1-score 0,743. Sistem SAW memeringkat area panen berdasarkan kombinasi jumlah deteksi ripe, underripe, dan unripe per klaster, dengan bobot 0,6, 0,3, dan 0,1 sesuai urgensi panen. Hasil penelitian menunjukkan deteksi objek on-device, pemetaan berbasis GPS, dan sistem pendukung keputusan dapat diterapkan praktis pada perangkat mobile untuk mendukung perencanaan panen kelapa sawit yang lebih objektif dan efisien. Penelitian selanjutnya dapat diarahkan pada perluasan dataset ke berbagai lokasi perkebunan serta validasi hasil pemeringkatan SAW terhadap data realisasi panen aktual di lapangan. Kata Kunci: Deteksi Objek; Kematangan Kelapa Sawit; Simple Additive Weighting; Sistem Pendukung Keputusan; YOLO26
Implementasi Vulnerability Scanner Berbasis Python untuk Analisis Kerentanan dan Rekomendasi Mitigasi Keamanan Website Muhamad Saroful Hakim; Azhari Shouni Barkah; Darso
Jurnal Minfo Polgan Vol. 15 No. 3 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i3.16457

Abstract

Perkembangan website yang semakin pesat meningkatkan kebutuhan akan sistem keamanan yang mampu melindungi data dan layanan dari berbagai ancaman siber. Kerentanan seperti konfigurasi keamanan yang lemah, security header yang tidak lengkap, dan keamanan cookie yang kurang optimal dapat meningkatkan risiko serangan pada website. Penelitian ini bertujuan mengimplementasikan vulnerability scanner berbasis Python untuk menganalisis kerentanan dan memberikan rekomendasi mitigasi keamanan secara otomatis. Metode yang digunakan adalah Prototype yang meliputi pengumpulan kebutuhan, pembuatan prototype, evaluasi, implementasi, pengujian, dan sistem final. Sistem yang dikembangkan mampu memeriksa HTTPS, validitas sertifikat SSL/TLS, security header, keamanan cookie, directory listing, robots.txt exposure, dan metode HTTP. Pengujian menggunakan Black Box Testing menunjukkan seluruh fitur berjalan sesuai kebutuhan. Hasil penelitian menunjukkan sistem mampu melakukan pemindaian keamanan website, menghasilkan Security Score, mengelompokkan temuan berdasarkan tingkat risiko, serta menyediakan rekomendasi perbaikan dan laporan dalam format HTML, CSV, dan JSON. Sistem ini membantu proses vulnerability assessment menjadi lebih cepat, efisien, dan konsisten.
Strategi Intervensi Hulu Dalam Percepatan Penurunan Gizi Buruk dan Stunting Balita Melalui Digitalisasi Bimbingan Perkawinan Ellya Nurfarida; Fadelis Sukya; Ratna Widyastuti; Fikha Rizky Aullia
Jurnal Minfo Polgan Vol. 15 No. 2 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i2.16460

Abstract

The acceleration of stunting and malnutrition reduction programs in Indonesia, as outlined in Presidential Regulation No. 72 of 2021, necessitates multisectoral collaboration, including the active participation of the Ministry of Religious Affairs through the Office of Religious Affairs (KUA). Traditionally, Marriage Guidance (BINWIN) for prospective couples has been conducted through face-to-face methods, which often encounter obstacles such as low attendance, varied comprehension of reproductive health topics, and a lack of an integrated monitoring system within the Ministry. This research aims to address these challenges by developing a web-based BINWIN e-learning information system utilizing the Laravel framework and MySQL database. The system is designed to streamline the management of schedules, digital attendance tracking, distribution of family health education materials, online graduation assessments, and monitoring of iron supplementation for prospective brides and grooms. Black Box testing revealed that the system operates effectively, achieving a 100% success rate in integrating the three primary stakeholders: prospective couples, KUA administrators, and Ministry of Religious Affairs officers. The novelty of this study lies in leveraging premarital cognitive assessment outcomes as baseline data to predict the risk of delivering malnourished children. By doing so, the system offers a strategic upstream intervention model that not only supports the government’s efforts in stunting prevention but also enhances the quality and consistency of premarital education. This approach has the potential to significantly contribute to reducing the prevalence of stunting and malnutrition across Indonesia by strengthening early prevention and intervention efforts at the community level.
Perbandingan Kinerja Metode Random Forest dan Logistic Regression Dalam Konteks Prediksi Penerima Beasiswa Bagi Mahasiswa Baru Muhammad Suhada; Roslina Roslina; Lili Tanti
Jurnal Minfo Polgan Vol. 15 No. 2 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i2.16473

Abstract

Penerimaan beasiswa bagi mahasiswa baru merupakan salah satu upaya perguruan tinggi dalam meningkatkan kualitas sumber daya manusia serta memberikan kesempatan pendidikan yang merata. Namun, proses seleksi penerima beasiswa sering menghadapi kendala dalam hal efektivitas dan akurasi, terutama ketika harus mempertimbangkan berbagai faktor seperti prestasi akademik, kondisi ekonomi, serta aktivitas non-akademik mahasiswa. Oleh karena itu, diperlukan pendekatan berbasis machine learning untuk mendukung pengambilan keputusan yang lebih objektif dan tepat sasaran. Penelitian ini bertujuan untuk membandingkan kinerja dua metode machine learning, yaitu Random Forest dan Logistic Regression, dalam memprediksi calon penerima beasiswa bagi mahasiswa baru. Dataset yang digunakan berasal dari data historis mahasiswa dengan variabel penentu yang meliputi aspek akademik, ekonomi, dan demografis. Proses penelitian mencakup tahap pra-pemrosesan data, pembagian dataset, pembangunan model, serta evaluasi performa menggunakan metrik akurasi, presisi, recall, dan F1-score. Diharapkan hasil penelitian ini dapat menunjukkan metode mana yang lebih unggul dalam hal kinerja prediksi, sekaligus memberikan kontribusi praktis bagi perguruan tinggi dalam menyusun sistem pendukung keputusan penerimaan beasiswa yang lebih transparan, akurat, dan efisien. Selain itu, penelitian ini juga memberikan nilai tambah dalam pengembangan penerapan machine learning di bidang pendidikan, khususnya pada aspek manajemen beasiswa.
Analisis Sentimen Opini Publik Terhadap Penundaan Pengangkatan CPNS 2025 Menggunakan Machine Learning Andreas Rezeki Zai; Rika Rosnelly; Wanayumini Wanayumini
Jurnal Minfo Polgan Vol. 15 No. 2 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i2.16474

Abstract

Penjadwalan ulang penunjukan Calon Pegawai Negeri Sipil pada tahun 2025 telah memicu berbagai pandangan publik dan menjadi isu yang banyak diperdebatkan di media sosial X.  Penelitian ini berusaha untuk menyelidiki sentimen publik mengenai penjadwalan ulang penunjukan Calon Pegawai Negeri Sipil pada tahun 2025 dengan menggunakan metodologi Machine Learning dan menganalisis dampak optimasi Algoritma Genetik terhadap akurasi klasifikasi.  Komentar sebanyak 16.075 dikumpulkan dari media sosial X dalam rentang waktu 11 Maret 2025 hingga 1 Juni 2025.  Tahapan pra-pemrosesan mencakup pembersihan data, pengubahan huruf besar-kecil, normalisasi kata, tokenisasi, penghapusan kata-kata umum, stemming, penanganan negasi, dan penghapusan catatan duplikat.  Klasifikasi sentimen otomatis dicapai melalui strategi InSet Lexicon, yang menghasilkan tiga jenis sentimen: negatif, netral, dan positif.  Frekuensi Istilah Inverse Frekuensi Dokumen digunakan untuk ekstraksi fitur, yang kemudian diikuti dengan klasifikasi menggunakan Naive Bayes dan Support Vector Machine.  Algoritma Genetika diterapkan untuk pemilihan fitur dan penyetelan hiperparameter guna meningkatkan efektivitas model.  Analisis dilakukan melalui penggunaan akurasi, presisi, recall, F1-score, matriks kebingungan, cross-validation, Area Under Curve, dan Uji Wilcoxon Signed Rank.  Penelitian menunjukkan bahwa model Naive Bayes memperoleh akurasi sebesar 87,11 persen, sementara model yang ditingkatkan mencapai akurasi sebesar 87,61 persen.  Model Support Vector Machine mencapai akurasi sebesar 95,18 persen, sementara model yang telah disempurnakan memberikan kinerja tertinggi dengan akurasi 96,02 persen, F1-score 96,01 persen, dan Area Under Curve 99,14 persen.  Hasil dari pemeriksaan signifikansi statistik menunjukkan bahwa peningkatan kinerja setelah optimasi adalah signifikan.  Oleh karena itu, Algoritma Genetik telah membuktikan potensinya untuk meningkatkan hasil kategorisasi sentimen, dengan model Support Vector Machine yang dioptimalkan diakui sebagai model unggulan dalam analisis kami.
Analisis Sentimen Ulasan Pelanggan Terhadap Tomoro Coffe Menggunakan Metode Random Forest Berbasis Text Mining: Indonesia Desta Anna Pratama Diyandi; Chandra Kirana
Jurnal Minfo Polgan Vol. 15 No. 3 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i3.16480

Abstract

Using a Random Forest technique based on text mining, this research seeks to examine consumer sentiment about Tomoro Coffee reviews. There were a total of 927 reviews culled from various online sources; 546 were favorable and 381 were unfavorable. Data collection, sentiment labeling, and text preparation (including cleaning, stopword removal, tokenizing, and stemming) were the study steps that came before data transformation using TF-IDF. After then, the dataset was divided into two halves, with training and testing data comprising 80:20 of the total. The Random Forest method was then used for classification. The accuracy was 80.65%, precision was 83.58%, recall was 70.10%, and the F1-score was 79.50%, according to the test findings. It was clear from the confusion matrix that the model excelled at detecting positive emotion as opposed to negative. Good, comfortable, and pleasant were the most often used positive emotion terms in the word cloud, while application, voucher, promotion, and payment were the most commonly used negative sentiment words. Based on the findings, it seems that Tomoro Coffee's product and service quality may be evaluated using the Random Forest approach, which is based on text mining. This method is effective for categorizing customer review sentiment.
Analisis Komparatif GridSearchCV pada SVM, Logistic Regression, dan Random Forest untuk Klasifikasi Saham TINS Nilam Anggraini; Chandra Kirana; Delpiah Wahyuningsih
Jurnal Minfo Polgan Vol. 15 No. 3 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i3.16483

Abstract

Penelitian ini bertujuan untuk mengevaluasi serta membandingkan kinerja algoritma Support Vector Machine (SVM), Logistic Regression, dan Random Forest dalam klasifikasi arah pergerakan saham PT Timah Tbk (TINS) tahun 2025 dengan optimasi hyperparameter berbasis GridSearchCV. Penelitian menggunakan pendekatan kuantitatif eksperimental dengan rancangan komparatif terhadap 227 data harian saham TINS periode Januari–Desember 2025 yang setelah proses feature engineering menghasilkan 218 data siap pemodelan. Tahapan penelitian meliputi data preparation, exploratory data analysis, feature engineering berbasis return, moving average, volatilitas, momentum, dan volume, normalisasi menggunakan standardization, pelatihan model baseline, optimasi hyperparameter menggunakan GridSearchCV, serta menilai model menggunakan metrik accuracy, precision, recall, F1-score, ROC-AUC, confusion matrix, dan cross-validation accuracy. Hasil penelitian mengindikasikan bahwa Logistic Regression merupakan model terbaik dengan nilai accuracy sebesar 0,5714, precision 0,5714, F1-score 0,4706, dan ROC-AUC tertinggi sebesar 0,6136. Sementara itu, SVM menghasilkan recall tertinggi sebesar 0,6500, sedangkan Random Forest memperoleh performa yang relatif stabil dengan ROC-AUC sebesar 0,5227. Temuan penelitian menunjukkan bahwa fitur berbasis volatilitas dan range harga memiliki pengaruh paling signifikan terhadap klasifikasi arah pergerakan saham TINS. Novelty penelitian ini terletak pada analisis komparatif tiga algoritma machine learning dengan Optimasi GridSearchCV pada data saham TINS menggunakan fitur teknikal yang dirancang untuk menangkap pola harga nonlinier dan volatilitas pasar secara lebih representatif. Kata Kunci: Hyperparameter, Machine Learning, Feature Engineering, Klasifikasi, GridSearchCV
Perancangan User Interface dan User Experience pada Website E-Commerce Crypto Florist Menggunakan Metode Design Thinking Nadia Widari Nasution; Dely Indah Sari; Dewi Lestari; Adelya Rifdah; Eustacia Eustacia
Jurnal Minfo Polgan Vol. 15 No. 2 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i2.16487

Abstract

Kemajuan teknologi mendorong banyak pemilik usaha beralih dari sistem manual ke sistem berbasis website untuk meningkatkan efisiensi operasional. Salah satu bisnis yang masih banyak menggunakan proses manual adalah bisnis bouquet, dimana pemesanan masih dilakukan melalui pesan teks atau panggilan telepon. Tujuan dari penelitian ini adalah untuk merancang sistem pemesanan bouquet yang lebih terstruktur dan mudah diakses. Metode yang digunakan meliputi analisis kebutuhan pengguna, pembuatan wireframe, serta pengujian prototype dengan pendekatan desain UI/UX menggunakan Figma. Pendekatan pemecahan masalah yang diterapkan dalam penelitian ini adalah Metode Design Thinking. Hasil penelitian ini berupa prototype sistem pemesanan bouquet yang memungkinkan pelanggan melihat katalog, memesan, dan melakukan pembayaran secara online.
Trustworthy NLP Systems for Educational Decision Support: A Human Centered AI Approach Subhan Hafiz Nanda Ginting; Ericky Benna Perolihin Manurung; Nuranisah Nuranisah; Dewi Wahyuni
Jurnal Minfo Polgan Vol. 15 No. 2 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i2.16492

Abstract

Advances in Natural Language Processing (NLP) in education have led to the development of decision support systems capable of processing textual data such as student essay responses, learning feedback, academic records, and evaluation documents. However, most previous research has focused on improving model accuracy, while aspects of trust, transparency, fairness, and human involvement in decision validation have not been a primary focus. This research aims to develop a framework for Trustworthy NLP Systems for Educational Decision Support based on a Human-Centered Artificial Intelligence approach that positions teachers, students, and educational policymakers as key actors in the system’s design, interpretation, and evaluation processes. The novelty of this research lies in the integration of four key dimensions explainability, fairness, reliability, and human oversight into the NLP system architecture to support more ethical, transparent, and accountable educational decisions. The research methodology employs an experimental approach involving stages of educational text data collection, data preprocessing, text representation, NLP-based modeling, model performance evaluation, and system trust analysis through Explainable AI and fairness evaluation. The developed system is not only designed to generate educational classifications or recommendations but also to provide explanations for the model’s decision-making basis, thereby enabling human verification. The expected outcome is the creation of a conceptual and technical NLP model capable of improving the quality of educational decision-making without compromising ethical principles, accountability, and user-centricity. This research contributes to strengthening the direction of educational NLP development that is not only computationally intelligent but also trustworthy, inclusive, and human-centered.
Integrasi BiLSTM-GRU dan Retrieval-Augmented Generation untuk Prediksi Harga Saham Perbankan Roni Halim Saputra; Eri Zuliarso
Jurnal Minfo Polgan Vol. 15 No. 3 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i3.16500

Abstract

Model prediksi harga saham berbasis deep learning umumnya menghasilkan keluaran numerik mentah yang sulit diinterpretasikan oleh investor non-teknis, serta jarang mempertimbangkan informasi kontekstual eksternal yang memengaruhi pergerakan harga. Penelitian ini bertujuan membangun dan mengevaluasi sebuah sistem terintegrasi yang memadukan model prediksi Hybrid BiLSTM-GRU, Retrieval-Augmented Generation (RAG), dan Large Language Model (LLM) untuk menghasilkan prediksi harga saham PT Bank Central Asia Tbk (BBCA) yang interpretable. Komponen deep learning yang terdiri dari empat arsitektur (LSTM, BiLSTM, GRU, dan Hybrid BiLSTM-GRU) dibandingkan pada skenario data univariat dan multivariat serta tiga horizon prediksi. Komponen RAG mengindeks 121 dokumen kontekstual ke dalam basis data vektor, sementara tiga LLM (DeepSeek-LLM 7B, GPT, dan Grok) menghasilkan narasi analitis. Evaluasi menggunakan RMSE, MAE, MAPE, dan Directional Accuracy untuk prediksi, serta RAGAS dan BERTScore untuk kualitas narasi. Hasil penelitian menunjukkan model Hybrid BiLSTM-GRU univariat pada horizon t+1 mencapai performa terbaik dengan RMSE 280,17 IDR dan MAPE 2,77%. Komponen RAG mencapai Context Precision 0,967, dan sistem terintegrasi berhasil mentransformasi prediksi numerik menjadi narasi kontekstual. Penelitian menyimpulkan bahwa integrasi deep learning, RAG, dan LLM merupakan pendekatan yang layak untuk meningkatkan interpretabilitas prediksi harga saham, meskipun LLM yang dijalankan secara lokal masih memiliki keterbatasan kualitas dibandingkan model komersial.

Page 124 of 127 | Total Record : 1263

 122   123   124   125   126 

Filter by Year

2020 2026


Reset
Filter By Issues
All Issue Vol. 15 No. 3 (2026): Artikel Penelitian Vol. 15 No. 2 (2026): Artikel Penelitian Vol. 15 No. 1 (2026): Artikel Penelitian Vol. 14 No. 2 (2025): Artikel Penelitian Vol. 14 No. 1 (2025): Artikel Penelitian Vol. 13 No. 2 (2024): Artikel Penelitian Vol. 13 No. 1 (2024): Artikel Penelitian Vol. 12 No. 2 (2023): Artikel Penelitian 2023 Vol. 12 No. 1 (2023): Artikel Penelitian Juni 2023 Vol. 12 No. 1 (2023): Artikel Penelitian 2023 Vol. 12 No. 1 (2023): Article Research March 2023 Vol. 11 No. 2 (2022): Article Research Vol. 11 No. 1 (2022): Article Research Vol. 10 No. 2 (2021): Article Research Vol. 10 No. 1 (2021): Article Research Vol. 9 No. 2 (2020): Article Research Vol. 9 No. 1 (2020): Article Research More Issue