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 553 Documents
 52   53   54   55   56 
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.
Analisis Stabilitas Popularitas Game Digital Menggunakan Clustering K-Means Berdasarkan Data Historis Aktivitas Tasya Aulia Maqhfiro; 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— Perkembangan industri game digital yang pesat menyebabkan tingginya persaingan antar game dalam mempertahankan popularitasnya. Popularitas suatu game tidak hanya diukur dari banyaknya jumlah pemain dan interaksi pengguna pada suatu waktu, namun juga dari kemampuan game dalam mempertahankan keberlanjutan dan pengelolaan untuk jangka panjang. Maka dari itu dilakukan pengelompokkan tingkat stabilitas popularitas dari game Roblox menggunakan algoritma K-Means untuk mengetahui kondisi karakteristik game berdasarkan data historis aktivitasnya. Dataset yang digunakan terdiri dari 5.985 data game dengan atribut numerik seperti jumlah suka, pemain aktif, favorit, kunjungan dan atribut waktu seperti umur game dan jarak pembaruan. Tahapan penelitian meliputi prapemrosessan, rekayasa fitur, transformasi logaritmik, penskalaan RobustScaler, reduksi dimensi menggunakan Principal Component Analysis (PCA), pembentukan skenario clustering k=2 hingga k=9, dan evaluasi hasil cluster. Hasil evaluasi menunjukkan k=4 berada pada titik elbow yang jelas dengan Silhouette sebesar 0,6868, DBI sebesar 0,4884, dan CHI sebesar 21879,81. Sedangkan k=9 menghasilkan Silhouette sebesar 0,5527, DBI sebesar 0,6473, CHI sebesar 25766,54. Berdasarkan hasil analisis, k=9 mampu merepresentasikan variasi tingkat popularitas dan stabilitas yang lebih rinci dari yang tinggi, sedang, dan rendah. Maka penelitian ini tidak hanya mempertimbangkan kualitas metrik, namun juga kemampuan cluster dalam merepresentasikan variasi data sesuai tujuan analisis. Kata Kunci— Stabilitas Popularitas, Game Roblox, Clustering, K-Means.
Detection of Potholes and Speed Bumps Using One-Stage and Two-Stage Detectors Sinta Ayu Dwi Ardita; Ervin Yohannes
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 – Road damage and road-control objects, particularly potholes and speed bumps, can affect driving comfort and traffic safety. Conventional inspection depends on direct observation and can require substantial time and human resources. This study evaluates object detection approaches based on one-stage and two-stage detectors for automatically identifying potholes and speed bumps. YOLOv11 and Single Shot Detector (SSD) are evaluated as one-stage detectors, while Faster R-CNN is evaluated using ResNet50, ResNet101, MobileNetV2, and MobileNetV3 backbones. A conventional image-processing approach is also included as a baseline. The dataset consists of 790 images containing two object classes, pothole and speedbump, and is divided into training, validation, and testing subsets. Evaluation uses mAP@0.5:0.95, mAP@0.5, mAP@0.75, recall, confusion matrix, and qualitative testing on images and video. The results show that YOLOv11 achieves the highest overall performance with mAP@0.5:0.95 of 49.30%, mAP@0.5 of 85.90%, mAP@0.75 of 47.40%, and recall of 84.30%. Among Faster R-CNN backbones, MobileNetV3 provides the best performance with mAP@0.5:0.95 of 45.37%, mAP@0.5 of 83.74%, mAP@0.75 of 40.85%, and recall of 53.34%. The conventional image-processing approach obtains substantially lower results. Overall, YOLOv11 provides the best balance of detection performance and real-time capability for the dataset used in this study. Keywords – pothole, speedbump, object detection, YOLOv11, SSD, Faster R-CNN, deep learning.

Page 56 of 56 | Total Record : 553

 52   53   54   55   56 

Filter by Year

2019 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