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 58 Documents
 2   3   4   5   6 
Search results for , issue "article in press" : 58 Documents clear
Simulasi Infrastructure as Code pada Proxmox VE Menggunakan Terraform dan Ansible Maulana Fiemas Aji Kurnia Safa; Agus Prihanto
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 - Laboratorium Jaringan Komputer Universitas Negeri Surabaya masih melakukan penyiapan Virtual Machine (VM) secara manual sehingga rentan terhadap human error, membutuhkan waktu yang lebih lama, dan berpotensi menghasilkan konfigurasi yang tidak konsisten seiring meningkatnya kebutuhan peminjaman VM. Penelitian ini mensimulasikan penerapan Infrastructure as Code (IaC) pada Proxmox Virtual Environment (VE) menggunakan Terraform untuk provisioning VM dan Ansible untuk manajemen konfigurasi. Penelitian menggunakan metode eksperimen dengan pendekatan kuantitatif melalui perbandingan kombinasi Terraform–Ansible, skrip Bash, dan metode manual pada skenario single VM dan multi VM. Parameter yang dianalisis meliputi waktu eksekusi penyiapan VM dan konsistensi konfigurasi hasil akhir. Hasil penelitian menunjukkan bahwa skrip Bash memiliki waktu eksekusi lebih cepat pada skenario single VM dan tugas konfigurasi sederhana, sedangkan kombinasi Terraform–Ansible memberikan kinerja terbaik pada skenario multi VM dan konfigurasi yang lebih kompleks. Selain itu, penerapan IaC menghasilkan konfigurasi yang konsisten pada seluruh VM sesuai kebutuhan pengujian. Dengan demikian, kombinasi Terraform dan Ansible efektif digunakan untuk mengotomatisasi proses provisioning dan manajemen konfigurasi VM pada lingkungan Proxmox VE, terutama ketika jumlah VM dan kompleksitas konfigurasi meningkat. Kata Kunci - Infrastructure as Code, Terraform, Ansible, Proxmox VE, Virtual Machine
Kombinasi K-Nearest Neighbor dengan Particle Swarm Optimization Untuk Deteksi Email Phishing Berbasis Seleksi Fitur dan Struktural Oktafia Widya Santoso; Agus Prihanto; 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

Phishing merupakan salah satu bentuk kejahatan siber yang dilakukan dengan cara menyamar sebagai pihak terpercaya untuk memperoleh informasi sensitif pengguna. Seiring meningkatnya penggunaan email sebagai media komunikasi, ancaman phishing juga semakin berkembang sehingga diperlukan metode yang mampu mengidentifikasi email phishing secara otomatis. Penelitian ini bertujuan untuk mengimplementasikan algoritma K-Nearest Neighbor (KNN) serta mengoptimalkan performanya menggunakan Particle Swarm Optimization (PSO) dalam klasifikasi email phishing. Penelitian dilakukan melalui tahapan penggabungan dataset, pra-pemrosesan teks, ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF), standarisasi data, pelatihan model KNN, serta optimasi fitur menggunakan PSO. Evaluasi model dilakukan menggunakan confusion matrix, classification report, kurva ROC, dan nilai AUC. Hasil penelitian menunjukkan bahwa model KNN menghasilkan akurasi sebesar 64,01% dengan nilai AUC sebesar 0,8097. Setelah dilakukan optimasi menggunakan PSO, jumlah fitur berkurang dari 6006 menjadi 3002 fitur. Model kombinasi KNN-PSO menghasilkan akurasi sebesar 81,43% dengan nilai AUC sebesar 0,9153. Hasil tersebut menunjukkan bahwa optimasi fitur menggunakan PSO dapat meningkatkan performa klasifikasi KNN pada deteksi email phishing. Kata Kunci— phishing, text mining, TF-IDF, K-Nearest Neighbor, Particle Swarm Optimization.
Pengembangan Sistem Informasi Antrean Pelayanan Posyandu Desa Plosobuden Berbasis Web Menggunakan Metode First Come First Served Muhammad Ismatullah Furqon; Ronggo Alit
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— Posyandu merupakan layanan kesehatan berbasis masyarakat yang berperan penting dalam meningkatkan kesehatan ibu, bayi, dan balita. Pengelolaan pelayanan di Posyandu Desa Plosobuden, Kecamatan Deket, Kabupaten Lamongan, masih dilakukan secara manual, khususnya pada proses pendaftaran dan pengaturan antrean peserta, sehingga menimbulkan ketidakteraturan urutan pelayanan, penumpukan kartu peserta, dan waktu tunggu yang tidak pasti. Penelitian ini bertujuan mengembangkan sistem informasi antrean pelayanan Posyandu berbasis web dengan menerapkan metode First Come First Served (FCFS) agar pelayanan berjalan sesuai urutan kedatangan peserta. Penelitian menggunakan pendekatan Research and Development (R&D) dengan model pengembangan Waterfall yang meliputi tahap requirement analysis, system design, implementation, testing, dan maintenance. Metode FCFS diterapkan melalui pencatatan waktu kedatangan peserta secara otomatis yang menjadi dasar pembentukan nomor antrean, sehingga peserta yang datang lebih awal memperoleh pelayanan lebih dahulu. Sistem yang dihasilkan memiliki fitur login, dashboard, pendaftaran peserta, pengelolaan antrean, pelayanan, pencatatan hasil pemeriksaan, laporan, dan kelola pengguna. Pengujian dengan metode Black Box Testing terhadap 42 skenario pada delapan modul sistem menunjukkan seluruh fungsi berjalan sesuai dengan hasil yang diharapkan, dengan status sesuai sebesar 100%. Hasil penelitian menunjukkan bahwa penerapan metode FCFS mampu mengatur antrean pelayanan Posyandu secara terstruktur, adil, dan transparan, sehingga membantu kader posyandu dalam mengelola pelayanan serta memberikan kepastian urutan pelayanan bagi peserta. Kata Kunci— Sistem Informasi, Antrean, Posyandu, First Come First Served, Waterfall, Black Box Testing.
Perbandingan Kinerja Attention CNN-1D untuk Deteksi Emosi Suara Bahasa Inggris dan Indonesia Mutiara Nur Zarima Zarima; 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

Speech Emotion Recognition (SER) berperan penting dalam interaksi manusia dan komputer, khususnya untuk mengenali emosi dari sinyal ucapan pada berbagai bahasa. Salah satu tantangan dalam SER adalah kemampuan model untuk mengenali pola penting pada sinyal suara agar emosi dapat diklasifikasikan dengan lebih akurat. Metode ekstraksi fitur menggunakan global average pooling pada arsitektur Convolutional Neural Network (CNN) masih memiliki keterbatasan dalam mempertahankan informasi penting dari sinyal ucapan, sehingga dapat memengaruhi hasil klasifikasi, terutama pada bahasa yang memiliki karakteristik prosodi berbeda, seperti bahasa Inggris dan bahasa Indonesia. Penelitian ini menerapkan mekanisme attention pada arsitektur CNN-1D dan membandingkannya dengan global average pooling menggunakan dua dataset, yaitu RAVDESS (bahasa Inggris) dan Maleo (bahasa Indonesia). Fitur akustik yang digunakan meliputi MFCC, MFCC Delta, Zero Crossing Rate (ZCR), Root Mean Square (RMS), dan Mel Spectrogram yang diekstraksi menggunakan library librosa. Hasil pengujian menunjukkan bahwa CNN-Attention memberikan akurasi yang lebih tinggi dibandingkan CNN-Pooling pada kedua dataset, dengan selisih akurasi sebesar 7% pada RAVDESS (83% dibandingkan 76%) dan 2% pada Maleo (79% dibandingkan 77%). Selisih peningkatan yang lebih besar pada RAVDESS menunjukkan bahwa pengaruh mekanisme attention berbeda pada setiap bahasa, yang kemungkinan dipengaruhi oleh karakteristik prosodi dan variasi ekspresi emosi pada masing-masing dataset. Secara keseluruhan, mekanisme attention mampu meningkatkan kinerja model dibandingkan global average pooling, meskipun besar peningkatannya dipengaruhi oleh karakteristik bahasa dan dataset yang digunakan. Kata Kunci— Speech Emotion Recognition, CNN-1D, Mekanisme Attention, Fitur Akustik, Klasifikasi Emosi, Perbandingan Bahasa.
Performansi YOLOv8n untuk Deteksi Objek pada Resolusi Input 256px dan 320px Nesya Amelinda; 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— Kualitas gambar yang diberikan memengaruhi tingkat keakuratan dan kecepatan komputasi dalam model deteksi objek yang menggunakan deep learning. Penelitian ini bertujuan untuk mengetahui bagaimana performansi model YOLOv8n pada resolusi gambar yang tidak terlalu besar, yaitu 256px dan 320px, serta menguji dua cara pemembagian data yaitu dengan rasio perbandingan 80:20 dan 90:10. Model dilatih selama 100 epoch dengan beberapa pengaturan hyperparameter, lalu diuji untuk mengukur hasilnya dalam bentuk precision, recall, F1-Score, mAP@0.5, FPS, dan Latency. Hasil pengujian menunjukkan bahwa resolusi 320px memberikan hasil yang lebih baik, dengan nilai mAP@0.5 sebesar 0,661 untuk rasio 80:20 dan 0,665 untuk rasio 90:10, dibandingkan dengan resolusi 256px yang hanya mencapai 0,613 untuk rasio 80:20 dan 0,620 untuk rasio 90:10. Meski begitu, resolusi 256px lebih unggul dalam kecepatan inferensi, dengan FPS mencapai lebih dari 960, sedangkan resolusi 320px memiliki FPS berkisar antara 774 hingga 845. Analisis kesalahan deteksi menunjukkan penurunan rata-rata false negative dari 0,33 pada resolusi 256px menjadi 0,29 pada resolusi 320px, khususnya pada kelas objek yang ukurannya kecil seperti botol, pot tanaman, dan kursi. Perbedaan antara berbagai skenario pembagian data tidak terlalu besar, sehingga dampak dari resolusi input lebih besar dibandingkan pengaruh rasio pembagian data. Hasil dari penelitian ini dapat memberikan saran nyata bagaimana YOLOv8n bisa digunakan pada perangkat yang memiliki kapasitas komputasi terbatas. Kata Kunci— YOLOv8n, resolusi input, deteksi objek, performansi, beban komputasi.
Perancangan Pakan Ikan Otomatis Menggunakan ESP32 Dengan Monitoring Bot Telegram Berbasis IOT Syahril Caesa Mahira; Agus Prihanto Agus Prihanto
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

Perkembangan teknologi pada era Industri 4.0 telah mendorong penerapan otomatisasi dalam berbagai bidang, termasuk budidaya ikan hias air tawar. Salah satu permasalahan utama pembudidaya ikan di akuarium adalah ketidakteraturan jadwal pemberian pakan dan kurangnya kontrol terhadap proses pemeliharaan, yang dapat memengaruhi kesehatan dan pertumbuhan ikan. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem pakan ikan otomatis berbasis Internet of Things (IoT) menggunakan mikrokontroler ESP32 yang terintegrasi dengan Bot Telegram sebagai media monitoring dan kendali. Sistem ini dirancang untuk memberikan pakan ikan secara otomatis berdasarkan jadwal menggunakan modul RTC DS3231, menyediakan mode manual melalui Bot Telegram, serta mengatur mekanisme pengeluaran pakan menggunakan motor servo SG92R. Penelitian ini menggunakan metode waterfall meliputi analisis kebutuhan sistem, desain rancangan, perancangan, pengujian, serta pemeliharaan. Hasil pengujian menunjukkan bahwa responsivitas alat cukup baik, dengan waktu respon servo manual 2,64 detik, servo otomatis 11,45 detik, dan Bot Telegram 5,24 detik. Sistem mampu memberikan pakan secara akurat dengan rata-rata berat pakan 8 gram per pemberian dan waktu penjadwalan RTC yang sesuai, sedangkan notifikasi stok pakan bekerja dengan waktu respon 15,9 detik. Berdasarkan indikator ketepatan waktu, akurasi pemberian pakan, dan efektivitas notifikasi, sistem dinyatakan layak digunakan dan efektif dalam mendukung pemeliharaan ikan hias air tawar secara otomatis, presisi, dan dapat dipantau dari jarak jauh. Kata kunci: ESP32, RTC DS3231, Sensor Ultrasonik, Telegram Bot, IoT, Pakan Otomatis
Analisis Kelayakan Konsumsi Buah Tropis Berdasarkan Kematangan Menggunakan Convolutional Neural Network Ivander brian ramadhan; I Kadek Dwi Nuryana
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— Indonesia, sebagai negara agraris beriklim tropis, memproduksi buah dalam skala besar. Namun, sekitar 40–50% komoditas buah segar mengalami kerusakan sebelum mencapai konsumen akhir. Tingginya angka susut hasil ini utamanya disebabkan oleh proses penilaian kualitas dan tingkat kematangan yang masih dilakukan secara manual dan subjektif. Kesalahan dalam identifikasi fase fisiologis buah berdampak langsung pada kerugian ekonomi dan penurunan kualitas asupan gizi masyarakat. Penelitian ini bertujuan untuk menganalisis performa arsitektur Convolutional Neural Network (CNN), secara spesifik varian EfficientNet (B0–B7), dalam mengklasifikasikan kelayakan konsumsi lima jenis buah tropis ke dalam 15 kelas secara serentak (single-stage classification). Metodologi penelitian mengadopsi standar CRISP-DM, memanfaatkan himpunan data sebanyak 14.875 citra yang dikumpulkan melalui web scraping dan pengambilan foto mandiri, serta dianotasi secara otomatis menggunakan model CLIP. Hasil komparasi dan evaluasi menunjukkan bahwa EfficientNet-B4 merupakan arsitektur paling optimal. Melalui tahap hyperparameter tuning dengan optimizer Adam, batch size 32, dan learning rate 0,001, model ini berhasil mencapai akurasi sebesar 82,29% pada pengujian 10-Fold Cross Validation. Model terbaik tersebut kemudian diimplementasikan ke dalam aplikasi berbasis web menggunakan Flask. Sistem ini dilengkapi dengan mekanisme guardrail berupa ambang batas tingkat kepercayaan (confidence threshold) sebesar 70% untuk mencegah luaran prediksi yang tidak meyakinkan, sehingga mampu menjadi solusi yang objektif dan otomatis dalam penilaian kualitas pascapanen buah tropis. Kata Kunci— klasifikasi citra, buah tropis, EfficientNet, Convolutional Neural Network, kelayakan konsumsi, CRISP-DM, single-stage classification.
Penerapan UMAP dan HDBSCAN untuk Pengelompokan Semantik Judul Buku Menggunakan Embedding Sentence-BERT Syelma Rohmatil Fatikh; 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— Pengorganisasian koleksi buku pada perpustakaan skala besar masih menghadapi tantangan karena proses pengelompokan umumnya dilakukan secara manual. Selain itu, karakteristik judul buku yang berupa short text menyebabkan informasi semantik yang tersedia terbatas sehingga pengelompokan otomatis menjadi lebih sulit dilakukan. Penelitian ini mengusulkan model pengelompokan judul buku secara otomatis dengan mengintegrasikan tiga pendekatan, yaitu Sentence-BERT (SBERT) untuk ekstraksi representasi semantik, Uniform Manifold Approximation and Projection (UMAP) untuk reduksi dimensi, dan Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN) untuk pembentukan kelompok berdasarkan kepadatan data. Dataset yang digunakan terdiri atas 13.846 judul buku dari repositori publik GitHub. Sebelum proses pemodelan, dilakukan tahapan preprocessing sehingga diperoleh 12.211 judul buku, kemudian setiap judul buku direpresentasikan menjadi vektor embedding menggunakan SBERT. Konfigurasi parameter UMAP dan HDBSCAN dioptimasi menggunakan metode One Factor at a Time (OFAT) dan dievaluasi menggunakan Silhouette Score, Davies–Bouldin Index (DBI), dan Calinski–Harabasz Index (CHI). Konfigurasi terbaik menghasilkan 63 kelompok dengan nilai Silhouette Score 0,6289, DBI 0,5029, CHI 16.342,15, dan proporsi noise 31,00%. Setiap kelompok kemudian diberi label kategori berdasarkan kata dan frasa dominan dengan mengacu pada sistem Dewey Decimal Classification (DDC). Hasil tersebut menunjukkan bahwa pendekatan yang diusulkan mampu menghasilkan pengelompokan judul buku yang lebih representatif berdasarkan kemiripan semantik sehingga dapat mendukung pengelolaan koleksi perpustakaan secara lebih efektif. Kata Kunci— Clustering, HDBSCAN, Judul Buku, Sentence-BERT, UMAP.

Page 6 of 6 | Total Record : 58

 2   3   4   5   6 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol. 7 No. 04 (2026) Vol. 7 No. 03 (2026) Article In Press(1) Article In Press Vol. 7 No. 02 (2025) Vol. 7 No. 01 (2025) Vol. 6 No. 04 (2025) Vol. 6 No. 03 (2025) 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