cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Ina Sholihah Widiati
Contact Email
itcida@amikomsolo.ac.id
Phone
+6285728639647
Journal Mail Official
itcida@amikomsolo.ac.id
Editorial Address
LPPM STMIK Amikom Surakarta Jl Veteran Notosuman Singopuran Kartasura Sukoharjo 57164 Telp./Fax 0271-7851507
Location
Kab. sukoharjo,
Jawa tengah
INDONESIA
Jurnal Ilmiah IT CIDA : Diseminasi Teknologi Informasi
Published by STMIK Amikom Surakarta
ISSN : 24778133     EISSN : 24778125     DOI : http://doi.org/10.55635/jic.v7i2
Core Subject : Science,
Computer Science & IT
Jurnal IT CIDA adalah terbitan berkala ilmiah yang terbit 2 nomor per volume yang fokus pada bidang teknologi informasi, komunikasi dan komputer dalam bentuk akumulasi pengetahuan baru, pengamatan empiris atau hasil penelitian, dan pengembangan gagasan baru.
Arjuna Subject : Ilmu Komputer (semua kategori) - Perangkat Lunak
Articles 3 Documents
 1 
Search results for , issue "Vol 11 No 2: Desember 2025" : 3 Documents clear
Implementasi Algoritma Support Vectore Machine Untuk Klasifikasi Kesehatan Mental Mahasiswa Tingkat Akhir pada Proses Penyusunan Skripsi Berdasarkan Filsafat AL-WUJ?D dalam Islam Kurniawan, Widya; Putra, Oddy Virgantara; Utami, Amelia
Jurnal Ilmiah IT CIDA Vol 11 No 2: Desember 2025
Publisher : STMIK AMIKOM Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55635/jic.v11i2.295

Abstract

Permasalahan kesehatan mental pada mahasiswa tingkat akhir yang sedang mengerjakan skripsi tidak hanya dipicu oleh faktor eksternal namun faktor internal seperti kedekatan terhadap tuhannya, tekanan emosional, pemaknaan diri, serta kemampuan mengelola tuntutan akademik juga perlu diteliti. Penelitian ini bertujuan menganalisis tingkat stres dan kecemasan sebagai indikator kesehatan mental mahasiswa dengan menggunakan pendekatan machine learning untuk menganalisis data. Data diperoleh melalui kuesioner yang dimodifikasi dari Existential Anxiety Questionnaire yang telah divalidasi, mencakup aspek On Human Nature, On Knowledge, On Ethic, On Reality, serta satu aspek tambahan, Nature of God, berdasarkan filsafat al-wujud dalam Islam lalu disebarkan melalui google form dengan jumlah responden 285 mahasiswa. Pemodelan menggunakan SVM dengan menggunakan Stratified K-Fold, sedangkan evaluasi menggunakan confusion matrix. Hasil menunjukkan bahwa model klasifikasi stres dengan kernel linear mencapai akurasi 93%, sementara model kecemasan dengan kernel linear dan parameter C=10 mencapai akurasi 96%. Temuan juga memperlihatkan bahwa pemicu stres dominan berada pada aspek On Knowledge, sedangkan kecemasan banyak dipengaruhi aspek On Human Nature. Penelitian ini diharapkan menjadi dasar dalam pengembangan program pendampingan psikologis dan akademik untuk meningkatkan kesejahteraan mental mahasiswa tingkat akhir.
Pemanfaatan Teachable Machine Untuk Mengidentifikasi Alat Batu Masa Prasejarah Menggunakan Metode CNN Piskonata, Yogi; Pambudi, Agung; Rasid, Rum Mohamad Andri K; Purwidiantoro, Moch. Hari
Jurnal Ilmiah IT CIDA Vol 11 No 2: Desember 2025
Publisher : STMIK AMIKOM Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55635/jic.v11i2.296

Abstract

Identifikasi alat batu masa prasejarah merupakan komponen penting dalam kajian arkeologi untuk memahami perkembangan teknologi dan budaya masyarakat purba. Namun, proses klasifikasi artefak secara manual masih sangat bergantung pada keahlian arkeolog yang terbatas jumlahnya dan rentan terhadap subjektivitas. Dengan kemajuan teknologi kecerdasan buatan, khususnya Convolutional Neural Network (CNN), otomatisasi identifikasi objek berbasis citra menjadi lebih feasible. Penelitian ini mengusulkan pemanfaatan platform Teachable Machine sebagai solusi low-code untuk mengembangkan model klasifikasi alat batu prasejarah dengan pendekatan CNN. Penelitian dilakukan secara eksperimental menggunakan dataset citra alat batu prasejarah masa paleolitik yang dikurasi dari koleksi lababoratorium Jurusan Arkeologi, Fakultas Ilmu Budaya, Universitas Gadjah Mada. Dataset terdiri dari tujuh kelas utama yaitu Kapak Genggam, Kapak Perimbas, Kapak Penetak, Kapak Lonjong, Beliung Persegi dan Alat Serpih. Model dilatih pada platform Teachable Machine dengan arsitektur CNN berbasis MobileNet, tanpa menulis kode program sehingga peneliti non-teknis dapat mengakses teknologi AI secara langsung. Hasil evaluasi menunjukkan akurasi model sebesar 87,5% pada data pengujian, dengan F1-Score rata-rata 0,85. Kapak persegi dan kapak lonjong memiliki tingkat keberhasilan klasifikasi tertinggi, sementara kelas serpih dan alat tulang menunjukkan tingkat kesalahan yang lebih tinggi akibat kemiripan morfologis. Confusion matrix dan analisis kesalahan mengindikasikan bahwa kualitas gambar dan variasi bentuk artefak menjadi faktor utama yang memengaruhi kinerja model. Studi ini membuktikan bahwa Teachable Machine dapat dimanfaatkan secara efektif sebagai alat bantu klasifikasi alat batu prasejarah, terutama dalam konteks keterbatasan sumber daya teknis dan keahlian pemrograman di kalangan arkeolog. Dengan demikian, pendekatan ini berpotensi mendukung digitalisasi warisan budaya, percepatan inventarisasi artefak, serta penguatan integrasi teknologi AI dalam pendidikan dan penelitian arkeologi di Indonesia.
Prediksi Viralitas Tweet Berbahasa Indonesia Menggunakan IndoBERTweet, RoBERTa, dan Multi-Layer Perceptron untuk Optimalisasi Strategi Pemasaran Digital Putri, Deannisa Syafira; Muhaimin, Amri; Idhom, Mohammad
Jurnal Ilmiah IT CIDA Vol 11 No 2: Desember 2025
Publisher : STMIK AMIKOM Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55635/jic.v11i2.297

Abstract

Penelitian ini bertujuan memprediksi tingkat viralitas tweet berbahasa Indonesia dengan menggabungkan fitur teks, sentimen, dan numerik melalui model IndoBERTweet, RoBERTa, dan Multi-Layer Perceptron (MLP). IndoBERTweet digunakan untuk menghasilkan representasi semantik, RoBERTa untuk menganalisis polaritas sentimen, dan MLP sebagai klasifikator yang menggabungkan seluruh fitur. Dataset terdiri dari 1.716 tweet promosi pada platform X (27 November 2024–27 Mei 2025), yang setelah pra-pemrosesan dan pelabelan menggunakan Gaussian Mixture Model (GMM) menghasilkan 1.481 data bersih siap latih. Model mencapai performa tinggi dengan akurasi 96,99%, precision 96,97%, recall 96,99%, dan F1-score 96,97%, mencatat peningkatan sebesar 0,32% dibandingkan Linear SVM dan 1,66% dibandingkan Decision Tree. Temuan ini menunjukkan bahwa integrasi representasi semantik dan sentimen secara efektif meningkatkan akurasi prediksi dibandingkan pendekatan tunggal, serta berpotensi membantu praktisi pemasaran digital merancang strategi kampanye yang lebih tepat sasaran dan berpeluang viral.

Page 1 of 1 | Total Record : 3

 1 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol 11 No 2: Desember 2025 Vol 11 No 1: Juni 2025 Vol 10 No 2: Desember 2024 Vol 10 No 1: Juni 2024 Vol 9 No 2: Desember 2023 Vol 9 No 1: Juni 2023 Vol 8 No 2: Desember 2022 Vol 8 No 1: Juni 2022 Vol 7 No 2: Desember 2021 Vol 7 No 1: Juni 2021 Vol 6 No 2: Desember 2020 Vol 6 No 1: Juni 2020 Vol 5, No 2: Desember 2019 Vol 5, No 1: Juni 2019 Vol 4, No 2: Desember 2018 Vol 4, No 1: Juni 2018 Vol 3, No 2: Desember 2017 Vol 3, No 1: Juni 2017 Vol 2, No 2: Desember 2016 Vol 2, No 1: Juni 2016 Vol 1, No 1: Desember 2015 More Issue