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 439 Documents
 31   32   33   34   35 
Sistem Rekomendasi Tempat Wisata di Gresik dengan Implementasi Algoritma Multi-Attribute Decision Making (MADM) Sukrisna; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p688-695

Abstract

Abstrak— Perkembangan teknologi berdampak signifikan pada sektor pariwisata. Gresik, dengan potensi alam, sejarah, dan budaya yang kaya, menghadirkan tantangan dalam memilih destinasi wisata yang sesuai. Sistem pendukung sebuah keputusan (SPK) menjadi penting untuk memudahkan proses ini. Penelitian ini membandingkan dua metode SPK, yaitu Analytic Hierarchy Process (AHP) dan Metode Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS), dalam memilih tempat wisata di Gresik. Kedua metode dibandingkan berdasarkan variabel jarak, rating, dan jumlah pengunjung, serta kecepatan dan efisiensi eksekusi. Hasilnya diharapkan memberikan wawasan tentang efektivitas masing-masing metode dan berkontribusi pada pengembangan sistem informasi pemilihan tempat wisata yang lebih optimal di Gresik. Kata kunci: sistem pendukung keputusan, AHP, TOPSIS, pariwisata, Gresik.
Pengembangan Sistem Helpdesk Menggunakan Chatbot Dengan Metode Retrieval-augmented Generation (Rag) pratama, ilza ichsanudin rachman; Sisephaputra, Bonda
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p696-710

Abstract

Abstrak— Penelitian ini bertujuan untuk mengembangkan sistem helpdesk menggunakan chatbot berbasis metode Retrieval-Augmented Generation (RAG) guna meningkatkan efisiensi layanan administratif di lingkungan kampus. Sistem ini dibangun menggunakan FastAPI sebagai backend dan Next.js sebagai frontend, yang memastikan antarmuka yang responsif dan ramah pengguna. Chatbot memanfaatkan kemampuan text generation dari model Gemini yang dikombinasikan dengan pencarian semantik menggunakan FAISS DATABASE dari OpenAI, sehingga memungkinkan penyampaian informasi yang akurat dan relevan secara real-time. Selama fase pengujian, sistem ini berhasil menangani berbagai pertanyaan pengguna secara bersamaan, memberikan respons yang cepat dan andal. Hasil penelitian menunjukkan bahwa sistem ini memudahkan akses terhadap informasi akademik dan administratif, serta menyederhanakan interaksi pengguna dengan layanan helpdesk kampus. Pengembangan di masa depan akan mencakup deployment server dan penyesuaian konfigurasi prompt untuk meningkatkan akurasi serta kapabilitas sistem. Kata Kunci— Sistem helpdesk, chatbot, RAG, pencarian semantik
Implementasi Session Management Pada Website Magang Menggunakan Teknologi MERN Mas Ulah, Rizatul; Suartana, I Made
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p765-777

Abstract

Website merupakan salah satu media utama yang digunakan untuk menyebarkan berbagai informasi secara online. Informasi terkait kegiatan magang yang diselenggarakan oleh Dinas Komunikasi dan Informatika Kabupaten Lamongan akan disampaikan melalui website magang yang dirancang dengan teknologi MERN (MongoDB, Express.js, React, dan Node.js). Salah satu aspek penting dalam perancangan website adalah manajemen sesi atau session management. Sesi menjadi hal yang penting karena melibatkan informasi sensitif seperti data login, preferensi pengguna, dan riwayat aktivitas. Penerapan manajemen sesi yang baik bertujuan untuk menghindari potensi risiko keamanan di masa depan dan memastikan data atau informasi tetap aman serta terlindungi dari akses yang tidak sah. Penelitian ini berhasil mengimplementasikan autentikasi, otorisasi, dan express-session sebagai bagian dari session management menggunakan teknologi MERN. Hasil pengujian menunjukkan bahwa sistem berhasil mengelola manajemen sesi dengan baik melalui autentikasi token dan session ID. Sistem juga mampu memberikan kontrol akses yang tepat serta menjaga keamanan dan integritas data pengguna. Secara keseluruhan, sistem memenuhi skenario yang dirancang, memastikan bahwa data dan informasi pengguna tetap aman dan terlindungi dari akses yang tidak sah. Kata Kunci : Website, Authentication, Authorization, Session Management, MERN Stack, Keamanan Data.
Sistem Deteksi Stunting pada Balita Berbasis Web Menggunakan Metode Random Forest Syafa Iswahyudi, Silvia Nanda; Eka Putra, Ricky
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p755-764

Abstract

Stunting adalah kondisi gagal tumbuh yang sering dialami oleh balita di Indonesia dan dapat berdampak negatif jangka panjang terhadap perkembangan fisik serta kognitif anak. Penelitian ini bertujuan untuk mengembangkan sistem deteksi stunting berbasis web menggunakan Random Forest, yang dikenal efektif dalam menangani data yang tidak seimbang. Dataset yang digunakan dalam penelitian ini berasal dari situs web Kaggle, yang terdiri dari 10.000 data balita di Indonesia. Metodologi yang digunakan adalah CRISP-DM, dengan tahapan mulai dari pemahaman bisnis hingga implementasi aplikasi web menggunakan Flask dan Railway untuk deployment. Evaluasi model dilakukan menggunakan confusion matrix dan hasilnya menunjukkan bahwa model dengan tuning hyperparameter pada pembagian data 90:10 mencapai akurasi sebesar 85%. Model ini kemudian diintegrasikan ke dalam aplikasi web. Sistem yang dikembangkan menyediakan dua opsi deteksi, yaitu deteksi individu untuk mendeteksi status stunting pada satu anak, dan deteksi kelompok yang memungkinkan pengguna untuk mengunggah data beberapa anak sekaligus dalam bentuk file CSV. Aplikasi ini di-deploy menggunakan platform Railway yang memudahkan pengelolaan dan pemeliharaan aplikasi, serta memberikan kemampuan untuk melakukan update secara otomatis melalui GitHub. Diharapkan aplikasi ini dapat memberikan kontribusi dalam upaya deteksi aplikasi ini dapat memberikann kontribusi dalam upaya deteksi dini stunting secara efektif dan efisien, terutama di daerah dengan akses layanan kesehatan yang terbatas. Kata Kunci— Stunting, Random Forest, Deteksi dini, Aplikasi web, dan Balita.
Implementasi Long Short-Term Memory dalam Mendeteksi Kesalahan Pronunciation Bahasa Inggris Berbasis Audio Fasha Dewatri, Roro Ayu; Eka Putra, Ricky
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p747-754

Abstract

Perkembangan kecerdasan buatan membuka peluang dalam mendukung pembelajaran bahasa, khususnya dalam mendeteksi dan memperbaiki kesalahan pengucapan (pronunciation). Bahasa Inggris, sebagai bahasa internasional, sering kali menimbulkan tantangan dalam pengucapan yang dapat mengubah makna pesan jika ada kesalahan. Penelitian ini memanfaatkan model Long Short-Term Memory (LSTM) untuk mendeteksi kesalahan pengucapan bahasa Inggris berbasis audio. Data yang digunakan terdiri dari dataset TIMIT, yang mewakili penutur asli Amerika, dan Common Voice untuk penutur non-Amerika. Data diproses dengan resampling, padding zero, trimming berbasis energi, dan normalisasi untuk mengekstraksi fitur yang lebih fokus pada bagian audio yang signifikan. Pembagian data dilakukan menggunakan K-Fold Cross-Validation (k=10) dengan proporsi 80% untuk pelatihan, 10% untuk validasi, dan 10% untuk pengujian. Eksperimen dilakukan dengan fokus pada optimizer Adam dengan berbagai kombinasi hyperparameter, seperti batch size (16, 32, 64), epoch (50, 75, 100), dan learning rate (0.001, 0.0001), dengan evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Kombinasi hyperparameter yang optimal ditemukan pada akurasi 94% dan F1-score 95% pada kombinasi batch size 32, epoch 100, dan learning rate . Penelitian ini mengidentifikasi kombinasi hyperparameter yang optimal untuk mencapai stabilitas model yang baik dan membuka peluang untuk pengembangan sistem yang dapat memberikan umpan balik korektif otomatis bagi pengguna. Kata Kunci— Long Short-Term Memory (LSTM), Pengucapan Bahasa Inggris, Pemrosesan Audio, TIMIT, Common Voice, Hyperparameter Tuning.
Penerapan Metode Long Short Term Memory untuk Memprediksi Harga Beras di Indonesia Kurniatul Hidayah, Anggun; Eka Putra, Ricky
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p720-729

Abstract

Beras merupakan makanan pokok masyarakat di Indonesia. Berdasarkan data Sistem Pemantauan Pasar dan Kebutuhan Pokok (SP2KP) Kementerian Perdagangan, harga beras di Indonesia terus meningkat sejak Agustus 2022 [1], hal ini berdampak pada tingkat kemiskinan, tingkat inflasi, dan stabilitas ekonomi. Oleh karena itu, pemerintah membutuhkan Solusi agar dapat menghindari dampak dari naik turunnya harga beras di Indonesia. Metode Long Short Term Memory (LSTM) memiliki kemampuan dalam menangani masalah ketergantungan jarak jauh pada data berurutan, sehingga cocok digunakan untuk memprediksi harga beras. Kombinasi parameter yang digunakan adalah metode normalisasi data, pembagian data, layer, batch size, epoch, dan learning rate. Hasil evaluasi model menggunakan MAPE (Mean Absolute Percentage Error) menunjukkan bahwa LSTM dapat memprediksi harga beras dengan akurasi 98.57% dan nilai MAPE 1.43%. Hasil prediksi terbaik didapatkan dengan menggunakan parameter metode normalisasi data StandardScaler, pembagian data validasi 10%, data latih 80%, data uji 10%, layer 2, batch size 4, epoch 40, dan learning rate 0.01, dengan pembagian data secara acak. Performa metode LSTM terbukti memiliki performa yang lebih baik. Untuk mengetahui performa LSTM, dilakukan perbandingan dengan metode ARIMA (Autoregressive Integrated Moving Average) dan RNN (Recurrent Neural Network). Nilai MAPE terbaik dari LSTM 1.43%, ARIMA 10.41%, dan RNN 3.53%. Adapun hasil akurasi terbaik LSTM ialah 98.57%, ARIMA 89.59%, dan RNN 96.47%. Kata Kunci— Long Short Term Memory, Autoregressive Integrated Moving Average, Recurrent Neural Network, Mean Absolute Percentage Error, prediksi, beras
Sistem Pelaporan Slip Gaji Pegawai Berbasis Web Mobile Menggunakan Framework Laravel (Studi Kasus UPT Balai Latihan Kerja Mojokerto) Nisa Adila, Rofi'un; Prihanto, Agus
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p730-739

Abstract

Balai latihan kerja memiliki sebuah permasalahan utama yaitu pada sistem gaji pegawai yang masih menggunakan manual, maka pegawai harus menemui bendara untuk mendapatkan slip gaji sehingga bendara harus hadir setiap saat ketika ada pegawai yang akan meminta slip gaji. Penelitian ini bertujuan untuk memberikan bagi permasalahan yang dihadapi, yaitu dengan membuat website sistem pelaporan slip gaji berbasis web mobile agar mudah diakses oleh pegawai seacara mandiri dengan menggunakan framwework laravel. Hasil pengujian menunjukkan bahwa adanya kemudahan akses slip gaji pegawai dengan cepat dengan waktu loading yang minimal, sistem fitur yang diperlukan seperti mencetak slip gaji menggunakan pdf dapat berfungsi dengan baik. Sistem yang dikembangkan bersifat responsif pada berbagai perangkat, baik desktop maupun mobile, memungkinkan aplikasi ini memberikan fleksibilitas kepada pegawai untuk mengakses informasi menggunakan web mobile. Pengujian kuesioner dengan 10 pertanyaan dan 10 responden yang bersifat kuantitaif menghasilkan jumlah rata-rata sebesar 83,2 %, sehingga hasil penilaian kuesioner masuk kategori sangat setuju. Pengujian menggunakan google lighthouse menunjukkan bahwa Platform desktop lebih unggul di semua aspek seperti performa, akesesbilitas, SEO, dan best practices mencapai score 90/100 dengan status sangat baik dibandingkan mobile, sedangkan platform mobile secara keseluruhan juga lebih unggul kecuali di aspek performa score 50/89 dengan status rata-rata. Kata Kunci— Website, Mobile, Slip Gaji, Google Lighthouse dan Pegawai.
Perbandingan Algoritma LSTM dan BiLSTM Untuk Analisis Sentimen Multi-Class Media Sosial Twitter Asnawiyah; Eka Putra, Ricky
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p778-786

Abstract

Perkembangan teknologi khususnya internet dan media sosial banyak digunakan oleh masyarakat. Salah satunya media sosial twitter sangat popular di Indonesia. Pengguna twitter dapat berinteraksi dan berbagi pendapat maupun opini melalui tweet. tweet ini berisi informasi berupa teks yang mengandung emosi pengguna. Analisis sentimen merupakan proses untuk menentukan emosi dari opini seseorang berupa teks. Penelitian ini, melakukan analisis multiclass menggunakan model long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (BiLSTM). Model ini dipilih karena memiliki kemampuan dalam memahami data teks dan menangkap konteks temporal dalam kalimat. Penelitian dilakukan pada data sentiment yang berlabel yang diklasifikasikan dalam 5 kelas yaitu anger, fear happy, sadness, dan love. LSTM dan BILSTM dilatih menggunakan representasi vector kata dan parameter yang dioptimalkan untuk meningkatkan akurasi. Proses implemetasi juga membandingan dengan menggunakan hyperparameter learning rate, batch size, epoch embedding glove, dan penyeimbang smote. Hasil evaluasi analisis sentiment multi-class pada media sosial twitter menunjukkan bahwa model BiLSTM memiliki akurasi 60% lebih baik dibandingkan LSTM memiliki akurasi 58%. Kata Kunci— Analisis sentimen, multi-class, Twitter, LSTM, BiLSTM
Klasifikasi Penyakit Diabetes Melitus Menggunakan Metode Support Vector Machine (SVM) Rosalya Putri, Pungky Rosalya Putri; Alit, Ronggo
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p740-746

Abstract

Deteksi dini terhadap risiko diabetes penting untuk meningkatkan pencegahan dan penanganan kondisi medis tersebut. Penelitian ini bertujuan untuk membangun model prediktif yang mampu mengidentifikasi risiko diabetes pada pasien berdasarkan data medis. Dataset yang digunakan adalah Pima Indians Diabetes, yang berisi informasi medis dan indikator penting seperti Kehamilan, Glukosa, Tekanan darah, Ketebalan kulit, Insulin, BMI, DiabetesPedigreeFunction, Umur. Metode yang digunakan dalam penelitian ini melibatkan preprocessing data untuk membersihkan dan menstandarisasi data, serta membagi data menjadi dua kelompok, yaitu data training (80%) dan data testing (20%). Analisis data eksploratif (Exploratory Data Analysis) dilakukan untuk memahami karakteristik distribusi data dan korelasi antar variabel. Setelah preprocessing dan analisis data, model prediksi dibangun menggunakan algoritma Support Vector Machine (SVM), yang dipilih karena kemampuannya dalam mengklasifikasikan data biner secara efektif. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan confusion matrix untuk mengukur kemampuan model dalam mendeteksi kasus diabetes dengan benar. Hasil penelitian ini menunjukkan bahwa model prediksi yang dihasilkan mampu mengidentifikasi pasien berisiko dengan tingkat ketepatan yang baik, sehingga memiliki potensi aplikasi dalam mendukung deteksi dini diabetes. Penelitian ini memberikan kontribusi dalam pemanfaatan data medis untuk prediksi penyakit kronis, khususnya diabetes, yang diharapkan dapat membantu pengambilan keputusan dalam praktik kesehatan. Kata Kunci: Diabetes, Prediksi, Pima Indians Diabetes, Support Vector Machine (SVM), Evaluasi Model.
Analisa Kinerja Chatgpt Dalam Menghasilkan Teks Bahasa Indonesia Menggunakan Metode Support Vector Machines (SVM) Tony Baskoro; Nuddin, Salamun Rohman
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 03 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n03.p787-793

Abstract

The development of natural language processing technology has opened opportunities for creating language models such as ChatGPT, which can generate text in various languages, including Indonesian. This study focuses on evaluating the performance of ChatGPT in generating Indonesian-language text using the Support Vector Machines (SVM) approach. The dataset used consists of [number of data entries] text entries across various categories, namely "Semantic," "Syntactic," and "Not Similar." The data undergoes several preprocessing stages, including tokenization, normalization, stopword removal, and stemming, before further analysis. The findings reveal that the implementation of the SVM model on text generated by ChatGPT demonstrates good performance, with high precision, recall, and F1-scores across all categories. For the "Semantic" category, the model achieved a precision of 0.89, recall of 0.91, and an F1-score of 0.90. In the "Syntactic" category, precision was 0.85, recall was 0.83, and the F1-score was 0.84. For the "Not Similar" category, the model achieved a precision of 0.91, recall of 0.92, and an F1-score of 0.91. This research makes a significant contribution to the development and understanding of natural language processing technology, particularly in the context of the Indonesian language. However, several limitations were identified, such as the relatively small dataset size and the preprocessing methods, which could be further enhanced. Future research is recommended to use larger datasets and apply alternative machine learning techniques to improve the model's performance.    Keywords: ChatGPT, Natural Language Processing, Support Vector Machines, Indonesian Language, Text Analysis.

Page 33 of 44 | Total Record : 439

 31   32   33   34   35 

Filter by Year

2019 2026


Reset
Filter By Issues
All Issue 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