cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Martini Dwi Endah Susanti
Contact Email
jinacs@unesa.ac.id
Phone
-
Journal Mail Official
jinacs@unesa.ac.id
Editorial Address
Gedung A10 Teknik Informatika, Kampus Unesa Ketintang Surabaya, Jawa Timur 60231
Location
Kota surabaya,
Jawa timur
INDONESIA
Journal of Informatics and Computer Science (JINACS)
Published by Universitas Negeri Surabaya
ISSN : -     EISSN : 26862220     DOI : https://doi.org/10.26740/jinacs.v3n02
Core Subject : Science,
Computer Science & IT
JINACS (Journal of Informatics and Computer Science) diterbitkan oleh Program Studi S1 Teknik Informatika Universitas Negeri Surabaya dalam empat kali setahun dengan No ISSN Online : 2686-2220 JINACS merupakan jurnal ilmiah dalam bidang Teknik Informatika dan Computer Science. Jurnal ini mencakup bidang ilmu Rekayasa Perangkat Lunak, Jaringan dan Arsitektur Komputer, Komputasi Bergerak, Sistem Temu Kembali Informasi, Kecerdasan Buatan, Pengolahan Citra Digital, Data Mining dll. JINACS terbit 4 (empat) nomor dalam setahun, yaitu bulan September, Desember, Maret dan Juni. Artikel yang telah dinyatakan diterima akan diterbitkan dalam nomor In-Press sebelum nomor regular terbit.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 20 Documents
 1   2 
Search results for , issue "Article In Press(1)" : 20 Documents clear
Model Rekomendasi Lagu Berbasis Genre Menggunakan Metode Random Forest Dan Decision Tree Putri Alvina; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Penelitian ini mengembangkan model sistem rekomendasi lagu berbasis genre menggunakan algoritma Random Forest dan Decision Tree. Proses pemodelan dimulai dengan analisis feature importance untuk mengidentifikasi sepuluh fitur audio utama yang paling berpengaruh terhadap klasifikasi genre. Evaluasi performa dilakukan menggunakan teknik cross-validation guna memastikan hasil yang konsisten dan dapat digeneralisasi. Hasil pengujian menunjukkan bahwa algoritma Random Forest memberikan performa yang lebih unggul dibandingkan Decision Tree, ditunjukkan oleh nilai akurasi, presisi, recall, dan F1-score yang lebih tinggi. Secara kuantitatif, model Random Forest mencatat rata-rata akurasi sebesar 83%, sedangkan Decision Tree hanya mencapai 79%. Keunggulan ini menegaskan bahwa Random Forest merupakan metode yang lebih efektif dan andal untuk digunakan dalam membangun model rekomendasi lagu berdasarkan genre. Kata Kunci— Sistem Rekomendasi, Genre Musik, Random Forest, Decision Tree, Feature Importance, Cross-Validation, Machine Learning.
Perancangan dan Pembuatan Website Sistem Informasi untuk Unit Kegiatan Mahasiswa Pramuka Unesa dengan Implementasi Metode Design Thinking Munir, Misbahul; Anita Qoiriah
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Kemajuan pesat dalam teknologi informasi mendorong organisasi mahasiswa untuk mengelola data dengan cara yang lebih terstruktur dan efisien. UKM Pramuka Unesa, yang terlibat secara aktif dalam kegiatan kepramukaan, menghadapi kesulitan dalam penyampaian informasi serta pengelolaan data keanggotaan yang selama ini bergantung pada media sosial dan platform yang tidak saling terhubung. Penelitian ini bertujuan untuk merancang dan membangun sebuah situs web sistem informasi yang interaktif dan informatif untuk UKM Pramuka Unesa dengan menggunakan metode Design Thinking. Langkah-langkah dari metode ini mencakup: Empathize, Define, Ideate, Prototype, dan Test. Dalam pelaksanaannya, dilakukan observasi dan wawancara dengan pengguna (anggota, pembina, dan pengurus) untuk menemukan kebutuhan utama. Hasil dari pengembangan ini adalah sebuah website yang dilengkapi dengan fitur-fitur pendukung untuk mengelola organisasi. Pengujian sistem dilakukan dengan menggunakan dua metode. Metode pertama adalah Single Ease Questionnaire (SEQ), yang bertujuan untuk mengukur tingkat kemudahan penggunaan (usability) dari website berdasarkan persepsi pengguna setelah menyelesaikan tugas tertentu. Hasil pengujian SEQ website yang telah dikembangkan menunjukkan bahwa rata-rata skor SEQ berada di atas standar minimal 5,5 yaitu 6,3 yang berarti pengguna merasa sistem mudah digunakan. Metode kedua adalah pengujian Black Box, digunakan untuk mengevaluasi fungsionalitas sistem yang diujikan pada masing-masing peran, mulai dari admin dengan hasil skor 93,33%, anggota dengan skor 94,97%, dan non-anggota dengan skor 95,17% menunjukkan bahwa dari ketinganya memiliki fungsi sistem yang berjalan dengan baik sesuai dengan spesifikasi yang telah ditentukan. Oleh karena itu, sistem informasi ini berpotensi untuk meningkatkan efisiensi dalam pengelolaan dan penyebaran informasi di dalam UKM Pramuka Unesa.   Kata Kunci— Website, Sistem Informasi, Design Thinking, Single Ease Questionnaire, Black Box.
Implementasi Workmanager Dalam Sistem Task Scheduling Pada CV. Kenongo Wedding Organizer Di Kota Kediri Pratiwi, Krisi Dwi; Suartana, I Made
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

  Abstrak— CV. Kenongo Wedding Organizer masih menggunakan metode manual dalam pengelolaan tugas, yang berisiko menimbulkan miskomunikasi antar tim. Penelitian ini bertujuan membangun sistem task scheduling berbasis mobile dengan menggunakan WorkManager untuk mendukung penjadwalan tugas dan pengiriman notifikasi secara real-time di latar belakang. Sistem dikembangkan menggunakan Flutter dan Firebase, serta mendukung tiga peran pengguna yaitu, Admin, Project Manager (PM), dan Person in Charge (PIC). WorkManager digunakan untuk mengeksekusi tugas di latar belakang meskipun aplikasi ditutup. Fitur utama meliputi pembuatan tugas, pembagian PIC, perubahan status tugas, unggah bukti, dan notifikasi otomatis sesuai dengan wakru tertentu. Hasil pengujian menunjukkan bahwa seluruh fitur berjalan dengan baik, notifikasi dikirim tepat sesuai kondisi tugas, dan performa sistem yang dilakukan menggunakan DevTools menunjukan stabil dengan rata-rata 59 FPS. Sistem ini dapat meningkatkan koordinasi saat proses persiapan dan eksekusi event. Kata Kunci— : WorkManager, Task Scheduling, Wedding Organizer
Prediksi Tingkat Stres Berdasarkan Pola Hidup Menggunakan Machine Learning Istiqomatul Anissa, Amanda; Qoiriah, Anita
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Stres merupakan kondisi psikologis yang dapat mengakibatkan dampak yang serius terhadap kesehatan mental dan fisik individu. Penelitian ini bertujuan untuk mengembangkan model prediksi tingkat stres berdasarkan pola hidup individu menggunakan pendekatan Machine Learning dengan algoritma Random Forest. Proses pengembangan model meliputi pengumpulan dataset pola hidup individu, preprocessing data, pembagian data, Penyeimbangan data dengan SMOTE serta pelatihan dan evaluasi model Random Forest. Data pada penelitian ini diperoleh melalui kuesioner mencakup variabel-variabel pola hidup seperti kualitas tidur, aktivitas fisik, konsumsi kafein, kebiasaan merokok, dan konsumsi alkohol serta menggunakan hasil dari pengukuruan Skala Perceived Stress Scale (PSS-10) dengan total 204 data. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, menghasilkan akurasi tertinggi 83% dengan menggunakan Random Forest yang diuji menggunakan teknik Stratified K-Fold Cross Validation. Dengan demikian, penelitian ini diharapkan dapat menjadi dasar bagi sistem pendukung keputusan dalam upaya preventif menjaga kesehatan mental melalui perbaikan pola hidup. Namun, model ini belum dapat dijadikan acuan tunggal dalam penentuan diagnosis stres tanpa mempertimbangkan faktor lain serta validasi klinis lebih lanjut. Kata Kunci—Stres, pola hidup, Machine Learning, Random Forest, PSS-10, prediksi tingkat stres
Prediksi Kelayakan Pinjaman Berdasarkan Profil Risiko Nasabah Menggunakan Logistic Regression dan Random Forest Azam, Hafidh Ismu Azam; Qoiriah, Anita
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Penilaian kelayakan pinjaman menjadi faktor krusial dalam menjaga kualitas pembiayaan, terutama bagi lembaga seperti PNM Mekaar yang menyasar kelompok perempuan prasejahtera sebagai target utama. Penelitian ini mengembangkan sistem prediksi kelayakan pinjaman berdasarkan profil risiko nasabah dengan memanfaatkan dua pendekatan algoritmik, yaitu Logistic Regression dan Random Forest. Model Logistic Regression digunakan untuk menilai kelayakan awal berdasarkan variabel usia, jenis kelamin, pendapatan mingguan, jumlah pinjaman, serta persetujuan kelompok dan penanggung jawab. Sementara itu, Random Forest diterapkan untuk memprediksi kelayakan top-up pinjaman dengan mempertimbangkan histori keterlambatan pembayaran dan durasi peminjaman, serta dilengkapi teknik SMOTE untuk menangani ketidakseimbangan kelas pada data pelatihan. Hasil menunjukkan bahwa Logistic Regression mampu memisahkan nasabah layak tanpa perlu penerapan oversampling, sedangkan Random Forest efektif dalam mengklasifikasikan risiko nasabah ke dalam tiga kategori, yaitu rendah, sedang, dan tinggi. Evaluasi dengan k-fold cross-validation menunjukkan bahwa kedua model memiliki performa yang andal dan stabil dalam melakukan klasifikasi. Temuan ini diharapkan dapat mendukung pengambilan keputusan yang lebih akurat dan berbasis data dalam proses pembiayaan, serta meningkatkan ketepatan dalam penilaian risiko nasabah secara menyeluruh. Kata Kunci— kelayakan pinjaman, profil risiko, Logistic Regression, Random Forest, SMOTE, PNM Mekaar.
Perbandingan Metode ARIMA dan SARIMA dalam Forecasting Anggaran Bantuan Usaha BAZNAS Surabaya Zahra, Salsabila Nur Zahra; Dwi Nuryana, I Kadek
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Penelitian ini dilatarbelakangi oleh kebutuhan BAZNAS Kota Surabaya dalam meningkatkan efisiensi perencanaan anggaran distribusi bantuan rombong dan modal usaha. Selama ini, proses perencanaan masih dilakukan secara manual, menyebabkan terjadinya overbudgeting dan underbudgeting yang berdampak pada ketidaktepatan distribusi bantuan. Penelitian ini bertujuan membangun model peramalan anggaran menggunakan pendekatan time series forecasting dengan metode ARIMA dan SARIMA, serta membandingkan performanya untuk mengetahui model terbaik yang sesuai karakteristik data. Data yang digunakan adalah data historis distribusi bantuan dari tahun 2022 hingga 2024 yang telah diolah dan divisualisasikan. Penelitian ini mengacu pada pendekatan CRISP-DM dalam setiap tahapnya. Hasil evaluasi menunjukkan bahwa model SARIMA memiliki performa terbaik dengan nilai MAE sebesar Rp 1.397.828, RMSE sebesar Rp 2.163.667, dan MAPE sebesar 0,89%, dibandingkan model ARIMA yang memiliki MAPE lebih tinggi. Temuan ini menunjukkan bahwa SARIMA lebih mampu menangkap pola musiman dalam data distribusi bantuan. Dengan adanya model prediktif ini, BAZNAS Kota Surabaya diharapkan dapat merencanakan anggaran secara lebih akurat dan responsif berdasarkan data historis.   Kata Kunci— ARIMA, SARIMA, Forecasting, CRISP-DM, Streamlit,  Distribusi Bantuan, Rombong Usaha, Modal Usaha
Aplikasi Management Dan Rekomendasi Atlet Pada Pengurus Besar Ju-Jitsu Kota Surabaya Berbasis Website Dengan Metode Naïve Bayes Bara Laily Mubarok; Bonda Sisephaputra
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Perkembangan teknologi informasi telah membawa perubahan signifikan dalam berbagai bidang, termasuk olahraga. Pendataan atlet yang dilakukan secara manual pada Pengurus Besar Ju-Jitsu Indonesia (PBJI) Kota Surabaya sering menimbulkan masalah seperti data yang tidak valid, duplikasi, dan memakan waktu lama. Untuk mengatasi permasalahan ini, penelitian ini mengembangkan aplikasi manajemen dan rekomendasi atlet berbasis website menggunakan metode Naïve Bayes untuk mendukung proses seleksi atlet berprestasi. Sistem rekomendasi menggunakan metode Naïve Bayes yang memanfaatkan data prestasi atlet untuk menghasilkan rekomendasi yang akurat. Selain itu, sistem ini dibandingkan dengan pendekatan berbasis query filter untuk menilai kelebihan masing-masing metode berdasarkan akurasi, kecepatan, dan kemudahan implementasi. Hasil penelitian menunjukkan bahwa metode Naïve Bayes memiliki tingkat akurasi yang sama dengan query filter, dan memerlukan waktu pemrosesan yang lebih lama. Aplikasi ini telah diuji menggunakan metode Blackbox Testing dan User Acceptance Testing (UAT) dengan hasil bahwa semua fitur berfungsi sesuai kebutuhan pengguna. Aplikasi ini diharapkan dapat meningkatkan efisiensi dan akurasi dalam manajemen dan seleksi atlet berprestasi di PBJI Kota Surabaya.   Kata Kunci: Naïve Bayes, Query Filter, Manajemen Atlet, RAD, Rekomendasi, PBJI Kota Surabaya.
Pengaruh Implementasi Headless Content Management System Terhadap Performa dan Kinerja E-Learning Muhammad Ramzi Adhitya; I Made Suartana
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Perkembangan sistem e-learning saat ini masih menghadapi berbagai kendala, terutama dalam hal performa dan kecepatan akses. Permasalahan seperti waktu muat halaman yang lambat dan kinerja sistem yang kurang optimal dapat mengganggu proses pembelajaran. Penelitian ini bertujuan untuk mengimplementasikan arsitektur Headless Content Management System (CMS) pada website e-learning guna meningkatkan performa dan fleksibilitas sistem. Penelitian menggunakan Strapi sebagai Headless CMS, React.js sebagai frontend, Railway untuk hosting backend, dan Vercel untuk hosting frontend. Pengujian dilakukan dengan empat konten kursus yang memiliki ukuran data bervariasi mulai dari 50 MB hingga 300 MB. Hasil pengujian menunjukkan bahwa website mampu merespons dengan waktu render di bawah 1,5 detik dan skor performa konsisten di atas 90. Metrik seperti First Contentful Paint (FCP), Largest Contentful Paint (LCP), Total Blocking Time (TBT), dan Speed Index menunjukkan performa yang optimal dan stabil. Implementasi Headless CMS pada website e-learning memberikan hasil performa secara signifikan, ditunjukkan dengan nilai rata-rata Speed Index sebesar 1 detik, Total Blocking Time hanya 6 milidetik, serta skor performa Lighthouse mencapai 93,6.   Kata Kunci— : E-learning, Headless CMS, Strapi, React.js, Performa Website
Sistem Rekomendasi Gaya Rambut Personal Berdasarkan Analisis Wajah dan Rambut 'Ulhaq, Arafat; Dwi Nuryana, I Kadek
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Pemilihan gaya rambut seringkali bersifat subjektif dan tidak didasarkan pada karakteristik visual yang objektif, sehingga mengurangi tingkat personalisasi dan kepuasan pengguna. Penelitian ini bertujuan untuk mengembangkan sistem identifikasi gaya rambut berbasis website yang mampu memberikan rekomendasi personal berdasarkan analisis data visual. Untuk mencapai tujuan tersebut, penelitian ini menerapkan pendekatan deep learning dengan mengembangkan dua arsitektur Convolutional Neural Network (CNN) pada EfficientNetB0 untuk tugas klasifikasi bentuk wajah dan ResNet50 untuk klasifikasi jenis rambut. Metode penelitian yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM), yang mencakup tahapan pemahaman bisnis, pemahaman data, persiapan data dengan augmentasi, pemodelan menggunakan transfer learning, evaluasi, hingga implementasi. Hasil dari penelitian ini adalah sebuah aplikasi web fungsional yang mampu melakukan klasifikasi bentuk wajah dan jenis rambut dari gambar yang diunggah pengguna. Sistem ini berhasil mengintegrasikan kedua model untuk memberikan identifikasi gaya rambut yang lebih akurat dan personal, sehingga dapat menjadi solusi objektif dalam industri kecantikan digital. Kata Kunci— Identifikasi Gaya Rambut, Klasifikasi Gambar, EfficientNet, ResNet, Personalisasi Rambut.
Pre-Trained Convolutional Neural Network Benchmark For Multi-Class Weather Modeling Ramadhany, Sinta Dhea; Yohannes, Ervin
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstract— Weather forecasting plays a crucial role in reducing the risks of extreme events that threaten human safety, economic stability, and the environment. Traditional forecasting methods relying on manual observation have developed into modern approaches using satellite, radar, and computational models; however, prediction accuracy remains limited due to the complexity of atmospheric systems and data constraints. In this context, deep learning, particularly Convolutional Neural Networks (CNNs), provides significant potential for automatic weather classification through digital imagery. This study evaluates and compares the performance of four pre-trained CNN architectures VGG16, ResNet50, AlexNet, and InceptionV3 on the Kaggle “Multi-class Weather Dataset,” which contains 860 images categorized into four classes: Cloudy, Shine, Rain, and Sunrise. The methodology involves data augmentation, fine-tuning, and systematic experimentation with various hyperparameters and data split ratios to enhance model generalization. The evaluation metrics applied include accuracy, precision, recall, and F1-score. Experimental results reveal that InceptionV3 outperforms other models, achieving up to 98% training accuracy and 96% validation accuracy due to its effective multi-scale feature extraction and regularization. ResNet50 delivers balanced results with validation accuracy up to 94%, while AlexNet records relatively high detection counts but lower overall performance. In contrast, VGG16 yields the lowest accuracy among the tested models. These findings highlight InceptionV3 as the most robust architecture for weather image classification and emphasize the importance of model selection in balancing prediction accuracy and computational efficiency. The study contributes as a foundation for the development of deep learning-based weather recognition systems that can support early warning applications and disaster risk reduction. Keywords— Convolutional Neural Network, Weather Classification, ResNet50, VGG16, AlexNet, InceptionV3

Page 1 of 2 | Total Record : 20

 1   2 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol. 7 No. 01 (2025) Vol. 6 No. 04 (2025) Vol. 6 No. 03 (2025) Article In Press(1) Vol. 6 No. 02 (2024) Vol. 6 No. 01 (2024) Vol. 5 No. 04 (2024) Vol. 5 No. 03 (2024) Vol. 5 No. 02 (2023) Vol. 5 No. 01 (2023) Vol 4 No 04 (2023) Vol 4 No 03 (2023) Vol 4 No 02 (2022) Vol 4 No 01 (2022) Vol 3 No 04 (2022) Vol 3 No 03 (2022) Vol 3 No 02 (2021) Vol 3 No 01 (2021) Vol 2 No 04 (2021) Vol 2 No 03 (2021) Vol 2 No 02 (2020) Vol 2 No 01 (2020) Vol 1 No 04 (2020) Vol 1 No 03 (2020) Vol 1 No 02 (2019) Vol 1 No 01 (2019) More Issue