cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Raja Ayu Mahessya
Contact Email
jurnalpustakadata@gmail.com
Phone
+6285264454350
Journal Mail Official
jurnalpustakadata@gmail.com
Editorial Address
Jl. Batu Kasek Blok E 11 Padang
Location
Kota padang,
Sumatera barat
INDONESIA
Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer
Published by Pustaka Galeri Mandiri
ISSN : -     EISSN : 28097483     DOI : https://doi.org/10.55382/jurnalpustakadata
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Industrial & Manufacturing Engineering Mechanical Engineering
Jurnal Pustaka Data adalah sebuah jurnal Double blind peer-review yang didedikasikan untuk publikasi hasil penelitian yang berkualitas dalam bidang ilmu komputer. Semua publikasi di Jurnal Pustaka Data bersifat akses terbuka yang memungkinkan artikel tersedia secara bebas online tanpa berlangganan apapun.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 106 Documents
 7   8   9   10   11 
Implementasi Extreme Gradient Boosting (XGBoost) untuk Klasifikasi Penggunaan Ulang Asisten AI Permata Sari, Fitri; Budiarni, Rini
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 2 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i2.1402

Abstract

Penelitian ini menerapkan algoritma Extreme Gradient Boosting (XGBoost) untuk mengkategorikan variabel UsedAgain, yang mencerminkan kecenderungan mahasiswa untuk kembali menggunakan asisten AI dalam proses pembelajaran. Dataset sintetis yang diambil dari Kaggle yang berisi 10. 000 data dan 11 atribut diproses melalui beberapa langkah, termasuk preprocessing, konversi variabel kategori ke numerik, penyeimbangan kelas dengan metode SMOTE, serta pengaturan hyperparameter untuk mencapai konfigurasi model yang terbaik. Hasil dari pengujian menunjukkan bahwa model XGBoost dengan parameter terbaik (learning_rate = 0,1; max_depth = 5; n_estimators = 200; subsample = 0,8) memperoleh akurasi sebesar 93,25%, precision 87,09%, recall 91,25%, dan F1-score 89,12%. Temuan ini mengindikasikan bahwa XGBoost efektif dalam mengidentifikasi pola interaksi mahasiswa dengan asisten AI. Kontribusi utama penelitian ini adalah memberikan dasar analitik yang kuat untuk memahami faktor-faktor perilaku mahasiswa dalam memanfaatkan asisten AI, sehingga hasil model dapat mendukung institusi pendidikan dalam merancang strategi pembelajaran berbasis teknologi yang lebih adaptif dan tepat sasaran.
Evaluasi Strategi Versioning Produk terhadap Retensi Pengguna dan Profitabilitas Rahmatina, Nida; Dwi Permatasari, Aisyah; Ainul Yaqin, Muhammad
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 2 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i2.1436

Abstract

Koperasi Simpan Pinjam (KSP) menghadapi tantangan dalam menjaga loyalitas anggota dan meningkatkan profitabilitas di tengah persaingan layanan keuangan. Untuk menjawab masalah tersebut, penelitian ini menganalisis perbandingan dua strategi versioning sistem informasi, yaitu rilis minor dan rilis mayor, yang umum diterapkan KSP sebagai pembaruan berkala pada layanan pinjaman, seperti penyesuaian fitur, peningkatan batas pinjaman, serta perubahan proses operasional. Penelitian ini dilakukan karena belum ada studi yang menggunakan Agent-Based Modeling (ABM) untuk membandingkan secara langsung efektivitas strategi versioning minor dan mayor dalam konteks sistem informasi KSP. Metode ABM digunakan untuk mensimulasikan perilaku 50 agent selama 24 bulan, dengan sepuluh pengulangan untuk setiap skenario. Simulasi dijalankan pada NetLogo, dan hasilnya dianalisis menggunakan Python melalui perhitungan mean, variance, standard deviation, dan interval kepercayaan 95%. Hasil penelitian menunjukkan bahwa major release menghasilkan kinerja lebih tinggi dibandingkan minor release, ditandai dengan rata-rata total transaksi lebih besar (96 vs 82,7), profit lebih tinggi (Rp1,76 miliar vs Rp1,07 miliar), serta retensi anggota yang sedikit lebih baik (28% vs 26%). Meskipun biaya pengembangan major release lebih besar, strateginya terbukti lebih efektif dalam meningkatkan profitabilitas dan mempertahankan anggota.
Sistem Pendidikan Kinerja Siswa Berbasis Web Menggunakan Algoritma Decision Tree dan XGBost Hairani, Assyifa Salsabila; Cahyono, Rahmatulloh; Balta, Athib Abi
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 2 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pemanfaatan data akademik di sekolah masih terbatas sehingga diperlukan sistem prediktif untuk mendukung keputusan berbasis bukti. Penelitian ini bertujuan untuk mengembangkan model prediksi kinerja siswa menggunakan algoritma Decision Tree dan XGBoost serta mengintegrasikannya ke dalam sistem prediksi berbasis web untuk mendukung pemantauan akademik secara real-time. Data penelitian menggunakan dataset Student Performance dari Kaggle yang terdiri dari 1.000 siswa dengan delapan atribut akademik dan demografis. Tahap penelitian meliputi preprocessing data, seleksi fitur, pelatihan model, serta hyperparameter tuning menggunakan GridSearchCV dan RandomizedSearchCV. Hasil penelitian menunjukkan bahwa XGBoost memberikan performa terbaik dengan akurasi 0,885, F1-score 0,885, dan AUC 0,954, sedangkan Decision Tree hanya mencapai akurasi 0,826 dan AUC 0,839. Analisis information gain menegaskan bahwa writing score merupakan variabel paling berpengaruh dalam klasifikasi. Model terbaik kemudian diintegrasikan ke dalam sistem web berbasis Flask, sehingga memungkinkan pengguna melakukan prediksi secara cepat tanpa instalasi tambahan. Kontribusi penelitian ini mencakup penerapan konsep Educational Data Mining (EDM) melalui kombinasi model pembelajaran mesin dan platform web prediktif real-time. Temuan ini diharapkan dapat membantu sekolah dalam mendeteksi risiko akademik siswa lebih awal dan mendukung pengambilan keputusan berbasis data.
Perbandingan Metode Naïve Bayes dan Support Vector Machine untuk Analisis Sentimen pada Ulasan Pengguna Aplikasi X Emiliana, Meutia Raissa; Fata, Muhammad Riza Indra; Adam, Muhammad Ghaly
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 2 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i2.1460

Abstract

Kemajuan teknologi digital telah mendorong meningkatnya penggunaan aplikasi mobile sebagai media untuk memperoleh informasi, melakukan komunikasi, serta mendukung berbagai aktivitas pengguna. Aplikasi X merupakan salah satu platform yang banyak dimanfaatkan, sehingga beragam ulasan yang diberikan oleh pengguna muncul sebagai representasi persepsi pengguna mengenai kualitas layanan yang diterima serta tingkat kenyamanan yang mereka rasakan saat memanfaatkannya. Informasi tersebut penting untuk dianalisis guna mengidentifikasi kecenderungan sentimen pengguna secara komprehensif. Penelitian ini mengkaji perbedaan performa dua algoritma machine learning, yakni Naïve Bayes dan Support Vector Machine, dalam mengklasifikasikan sentimen pada ulasan pengguna yang diperoleh melalui teknik web scraping dari Google Play Store. Dataset yang diambil selanjutnya diproses melalui serangkaian tahap text preprocessing, meliputi pembersihan data, normalisasi huruf, tokenisasi, eliminasi stopword, serta proses stemming. Berdasarkan hasil pengujian, Support Vector Machine menunjukkan kinerja yang lebih unggul dengan akurasi mencapai 0.984 dan F1-Score sebesar 0.840, sementara Naïve Bayes menghasilkan akurasi 0.849 dan F1-Score 0.550. Dengan demikian, Support Vector Machine dinilai lebih efektif dalam mengidentifikasi sentimen pengguna dan direkomendasikan sebagai metode yang lebih optimal untuk analisis ulasan pada aplikasi mobile yang memiliki karakteristik serupa.
Evaluasi Kinerja Aplikasi E-Alumni Berbasis Web menggunakan Metode PIECES dan GTmetrix Rizki Marsa, Arif; Salam, Riyan Ikhbal; Manda, Putra
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 2 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i2.1466

Abstract

Penelitian ini bertujuan untuk mengevaluasi kinerja dan kualitas layanan aplikasi E-Alumni berbasis web di SMA Negeri 1 Payakumbuh dengan menggunakan kerangka analisis kualitas sistem informasi PIECES (Performance, Information, Economy, Control, Efficiency, dan Service). Permasalahan utama yang melatarbelakangi penelitian ini adalah belum adanya evaluasi menyeluruh terhadap aspek kinerja teknis dan kepuasan pengguna pada sistem E-Alumni, sehingga efektivitas sistem dalam mendukung pengelolaan data alumni belum terukur secara objektif. Metode penelitian yang digunakan adalah deskriptif kuantitatif, dengan pengujian performa sistem menggunakan GTMetrix untuk menilai kecepatan muat halaman, waktu respon, dan tingkat optimasi situs, serta penyebaran kuesioner berbasis model PIECES untuk mengukur persepsi pengguna terhadap enam dimensi kualitas sistem. Hasil penelitian menunjukkan bahwa aplikasi E-Alumni memiliki kinerja teknis yang efisien dengan nilai GTMetrix Grade B, waktu muat 2,1 detik, dan tingkat optimasi 90%. Dari sisi kepuasan pengguna, hasil analisis PIECES menunjukkan tingkat efektivitas keseluruhan 84%, yang berarti sistem telah memenuhi kebutuhan pengguna dalam pengelolaan data alumni. Namun demikian, diperlukan peningkatan pada desain antarmuka pengguna (user interface) agar lebih intuitif serta penyesuaian responsivitas tampilan pada berbagai perangkat untuk meningkatkan pengalaman pengguna. Secara keseluruhan, penelitian ini membuktikan bahwa penerapan kerangka PIECES efektif dalam memberikan gambaran komprehensif mengenai kualitas dan kinerja sistem informasi E-Alumni.
Pengembangan Aplikasi Mobile untuk Pengelolaan Data Asessmen Siswa di Lingkungan Madrasah Maiyana, Efmi; Haholongan Sir, Sadar Martua; Aulia, Wizra
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 2 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i2.1500

Abstract

Perkembangan teknologi saat ini telah membawa perubahan besar pada bidang pendidikan, terutama dalam proses pencatatan hasil belajar siswa. Pencatatan secara manual kerap menyulitkan guru karena rawan terjadi kesalahan, berpotensi hilang, dan memerlukan waktu yang tidak sedikit. Berdasarkan permasalahan tersebut, penelitian ini mengembangkan sebuah sistem informasi berbasis Android yang terhubung dengan database MySQL untuk membantu guru mengelola data asesmen secara lebih efektif. Penelitian menerapkan metode Research and Development (R&D) dengan model ADDIE yang meliputi tahap analisis, perancangan, pengembangan, implementasi, dan evaluasi. Pada tahap analisis, kebutuhan dan kendala guru dipetakan secara mendalam. Proses perancangan difokuskan pada pembuatan antarmuka yang mendukung pengelolaan nilai, mulai dari penambahan, pengubahan, hingga penghapusan data. Tahap pengembangan mencakup pembuatan aplikasi dan integrasi dengan MySQL sebagai penyimpanan utama. Setelah aplikasi diuji melalui tahap implementasi, evaluasi dilakukan untuk memastikan seluruh fitur dapat berjalan dan sesuai dengan kebutuhan pengguna. Hasil yang diperoleh menunjukkan bahwa aplikasi ini mampu mempercepat proses pencatatan nilai, mengurangi risiko kehilangan data, serta memberikan akses informasi yang lebih cepat dan praktis. Dengan demikian, sistem ini dapat menjadi alat bantu yang relevan bagi guru dalam mendukung pelaksanaan penilaian di era digital.

Page 11 of 11 | Total Record : 106

 7   8   9   10   11 

Filter by Year

2021 2025


Reset
Filter By Issues
All Issue Vol 5 No 2 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt Vol 5 No 1 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt Vol 4 No 2 (2024): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt Vol 4 No 1 (2024): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt Vol 3 No 2 (2023): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt Vol 3 No 1 (2023): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt Vol 2 No 2 (2022): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt Vol 2 No 1 (2022): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt Vol 1 No 1 (2021): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt