cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Yosep Septiana
Contact Email
yseptiana@itg.ac.id
Phone
+6282124588750
Journal Mail Official
algoritma@itg.ac.id
Editorial Address
Jl. Mayor Syamsu No.1, Jayaraga, Kec. Tarogong Kidul, Kabupaten Garut, Jawa Barat 44151
Location
Kab. garut,
Jawa barat
INDONESIA
Jurnal Algoritma
Published by Institut Teknologi Garut
ISSN : 14123622     EISSN : 23027339     DOI : https://doi.org/10.33364/algoritma
Core Subject : Science,
Computer Science & IT
Jurnal Algoritma merupakan jurnal yang digunakan untuk mempublikasikan hasil penelitian dalam bidang Teknologi Informasi (TI), Sistem Informasi (SI), dan Rekayasa Perangkat Lunak (RPL), Multimedia (MM), dan Ilmu Komputer (Computer Science).
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 1,145 Documents
 108   109   110   111   112 
Model Rekomendasi Mata Pelajaran Pemintaan Siswa dengan Multi-Label Classification Hibatul Azizi; Wahyu Widadi; Mardi Hardjianto
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3337

Abstract

Pemilihan mata pelajaran pemintaan di Sekolah Menengah Atas merupakan proses penting yang mempengaruhi perkembangan akademik dan karier siswa, namun masih sering dilakukan secara subjektif. Penelitian ini mengusulkan sistem prediksi pemintaan berbasis Data Mining menggunakan pendekatan multi-label classification, sehingga siswa dapat direkomendasikan lebih dari satu pemintaan yang sesuai. Dua algoritma yang dibandingkan adalah C4.5 dan K-Nearest Neighbor (K-NN) dengan memanfaatkan data nilai rapor, hasil tes IQ, gaya belajar, dan tipe kepribadian siswa kelas X SMAN 95 Jakarta. Hasil pengujian menunjukkan bahwa K-Nearest Neighbor (K-NN)  menghasilkan akurasi lebih tinggi sebesar 95%, sedangkan C4.5 memiliki performa yang kompetitif serta keunggulan dalam interpretabilitas melalui model pohon keputusan. Secara komparatif, K-NN lebih unggul dalam aspek prediksi, sementara C4.5 lebih mendukung pengambilan keputusan yang mudah dipahami. Sistem kemudian diimplementasikan dalam bentuk aplikasi web untuk membantu guru Bimbingan Konseling dalam memberikan rekomendasi pemintaan yang lebih objektif dan fleksibel. Temuan ini menunjukkan bahwa pendekatan multi-label classification efektif dalam merepresentasikan kompleksitas preferensi siswa
Analisis Performa, Explainability, dan Fairness pada Model Klasifikasi Multi-Dataset Medis Menggunakan SVM dan Random Forest Luh Ayu Martini; Indrianto; I Kadek Seneng
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3339

Abstract

Model machine learning di bidang kesehatan mampu mencapai akurasi tinggi, namun sering bersifat black box sehingga kurang transparan dan berpotensi menimbulkan bias terhadap kelompok sensitif. Penelitian ini bertujuan menganalisis performa, interpretabilitas, dan fairness model klasifikasi penyakit menggunakan lima dataset medis tabular, yaitu Alzheimer, Obesity, Hypertension, Stroke, dan Asthma dari Kaggle. Tahapan penelitian meliputi data cleaning, transformasi fitur, normalisasi, serta penanganan ketidakseimbangan kelas menggunakan SMOTE. Model dikembangkan menggunakan algoritma SVM dan Random Forest dengan optimasi hyperparameter melalui GridSearchCV serta validasi 5-fold cross-validation. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa paling konsisten dengan akurasi tertinggi sebesar 96,92% pada dataset Obesity. Pada dataset tidak seimbang seperti Stroke dan Asthma, performa model menurun terutama pada precision dan F1-score akibat distribusi kelas yang tidak merata dan kompleksitas data. Analisis interpretabilitas menggunakan SHAP dan LIME menunjukkan bahwa model memanfaatkan fitur yang relevan secara klinis, seperti usia, tekanan darah, indeks massa tubuh, dan indikator fungsi kognitif. Evaluasi fairness menggunakan Demographic Parity Difference (DPD) dan Equal Opportunity Difference (EOD) menghasilkan nilai yang relatif kecil, sehingga distribusi prediksi antar kelompok sensitif, khususnya gender, tergolong cukup seimbang meskipun tetap dipengaruhi karakteristik data. Penelitian ini menegaskan bahwa integrasi performa, interpretabilitas, dan fairness dalam evaluasi multi-dataset memberikan pendekatan yang lebih komprehensif dibandingkan evaluasi konvensional yang hanya berfokus pada akurasi.
Adopsi Teknologi Kecerdasan Buatan (AI) dalam Pelaporan Pajak: Studi Persepsi Kemudahan dan Keamanan Data Wajib Pajak Milenial Lina Nurlaela; Marti Dewi Ungkari
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3341

Abstract

Transformasi digital di sektor layanan publik kini merambah ranah administrasi perpajakan melalui integrasi sistem Kecerdasan Buatan (Artificial Intelligence/AI). Penelitian ini bertujuan menganalisis bagaimana wajib pajak dari kalangan generasi milenial mempersepsikan pemanfaatan teknologi AI dalam proses penyampaian laporan pajak, dengan menitikberatkan pada dua dimensi utama: aksesibilitas sistem (perceived ease of use) dan perlindungan data pribadi (data security). Melalui pendekatan kuantitatif deskriptif dan analisis SEM-PLS terhadap 100 responden wajib pajak milenial, hasil studi ini mengungkapkan bahwa teknologi AI dipandang mampu menyederhanakan proses identifikasi dan klasifikasi objek pajak. Akan tetapi, kekhawatiran atas kerahasiaan informasi pribadi dan risiko kebocoran data masih menjadi kendala nyata yang membatasi adopsi sistem secara menyeluruh.
Perbandingan K-Means, DBSCAN, dan Louvain pada Peserta Pendidikan Kesetaraan di Kabupaten Balangan Ida Ariyani Hasanah; Riama Simanjuntak; Arief Wibowo
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3350

Abstract

Penelitian ini bertujuan menganalisis pola pengelompokan peserta pendidikan kesetaraan melalui pendekatan clustering secara komparatif menggunakan tiga algoritma, yaitu K-Means (berbasis centroid), DBSCAN (berbasis kepadatan), dan Louvain (berbasis graf). Dataset yang digunakan terdiri dari 1.057 peserta dengan atribut numerik dan kategorik yang mencerminkan karakteristik heterogen. Tahapan penelitian meliputi pra-pemrosesan data dan implementasi algoritma clustering pada dataset yang sama untuk menjaga konsistensi perbandingan. Evaluasi dilakukan menggunakan Silhouette Score dan Davies-Bouldin Index (DBI) sebagai validasi internal, serta validasi eksternal melalui konfirmasi pakar guna memastikan relevansi hasil secara kontekstual. Hasil penelitian menunjukkan bahwa K-Means dan DBSCAN menghasilkan nilai Silhouette Score sebesar 0,040 yang mengindikasikan kualitas pemisahan cluster yang rendah serta dominasi satu cluster besar. DBSCAN memiliki keunggulan dalam mendeteksi noise, namun belum mampu meningkatkan kualitas pemisahan secara signifikan pada data dengan tingkat homogenitas tinggi. Sebaliknya, algoritma Louvain menghasilkan struktur komunitas yang lebih seimbang dengan rasio ketimpangan yang rendah, sehingga lebih mampu merepresentasikan hubungan relasional antar data yang tidak sepenuhnya terwakili oleh pendekatan berbasis jarak. Penelitian ini memberikan kontribusi melalui analisis komparatif lintas pendekatan clustering pada konteks pendidikan kesetaraan serta integrasi validasi kuantitatif dan kontekstual. Temuan ini menegaskan bahwa pendekatan berbasis graf lebih adaptif untuk data dengan tingkat homogenitas tinggi dan berpotensi menjadi dasar dalam segmentasi peserta guna mendukung pengambilan keputusan berbasis data yang lebih efektif dalam sektor pendidikan.  
Evaluasi Komparatif Neural Network dan Random Forest untuk Prediksi Produktivitas Tandan Buah Segar Kelapa Sawit Berbasis Fitur Musiman Gellysa Urva; Welly Desriyati
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3352

Abstract

Fresh Fruit Bunch (FFB) productivity in oil palm exhibits seasonal patterns that pose challenges for predictive modeling, particularly given the limited amount of data. This study aims to compare the performance of Neural Networks and Random Forests in predicting FFB productivity based on temporal features, including lag, rolling mean, and cyclical encoding. Evaluation was conducted using time-series validation with MAE, RMSE, and R² metrics. The results indicate that Neural Networks face generalization limitations with limited data, reflected in poor performance on the test data. Conversely, Random Forest delivers more stable and accurate performance with an MAE of 0.2581, an RMSE of 0.3325, and an R² of 0.9675. These findings confirm the superiority of tree-based ensemble approaches in handling seasonal data with small sample sizes. The contribution of this research is to provide empirical evidence and recommendations for more reliable models for TBS productivity prediction as a basis for developing decision support systems in the plantation sector.
Sistem E-Customer Relationship Management Berbasis Web untuk Pengelolaan Pelanggan Nur Sabrina; Dewi Anggraeni; Akmal Nasution
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3353

Abstract

Perkembangan teknologi informasi mendorong pelaku usaha untuk memanfaatkan sistem digital dalam meningkatkan kualitas pelayanan kepada pelanggan. Cafe Kekynian sebagai usaha kuliner masih menghadapi kendala dalam pengelolaan data pelanggan dan transaksi yang sebelumnya dilakukan secara manual sehingga menyulitkan proses pencatatan riwayat transaksi dan pemantauan aktivitas pelanggan. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem Customer Relationship Management (CRM) berbasis web guna mendukung pengelolaan hubungan pelanggan secara lebih efektif. Metode penelitian yang digunakan adalah rekayasa perangkat lunak dengan pendekatan Software Development Life Cycle (SDLC) yang meliputi tahap analisis kebutuhan, perancangan sistem, implementasi, dan pengujian sistem. Data penelitian diperoleh melalui observasi, wawancara, dan dokumentasi yang dilakukan pada Cafe Kekynian. Pengujian sistem dilakukan menggunakan metode Black Box Testing untuk memastikan bahwa setiap fungsi sistem berjalan sesuai dengan kebutuhan pengguna. Hasil penelitian menunjukkan bahwa sistem CRM yang dikembangkan mampu mengintegrasikan pengelolaan data pelanggan, pencatatan transaksi, serta penyimpanan riwayat pembelian dalam satu basis data terpusat. Implementasi sistem ini memudahkan pengelola dalam memantau aktivitas pelanggan, meningkatkan efisiensi pengelolaan data transaksi, serta mendukung penyusunan strategi pelayanan pelanggan secara lebih efektif.
Pengelompokan Permintaan Produk Alat Kesehatan Menggunakan K-Means untuk Jadwal Pembelian Vika Aulia Munawaroh; R Rhoedy Setiawan; Yudie Irawan
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3360

Abstract

Fluctuations in the demand for medical devices can trigger the risk of stock shortages (stockouts) and overstock conditions, which may affect operational costs and the quality of distribution services. This study aims to classify medical device products at CV Patriot Kencana Medika Kudus based on demand patterns and purchasing characteristics, and to map the clustering results as an initial basis for developing purchasing schedules. The data used consist of internal purchasing transaction histories from the 2023–2025 period with four main features: Quantity, Price_Per_Unit, Lead_Time_Days, and Total_Purchase_Value. The methods applied include exploratory data analysis, feature construction and normalization, determination of the optimal number of clusters using the Elbow Method and Silhouette Score, K-Means modeling, and evaluation using the Silhouette Score and Davies–Bouldin Index (DBI). The results indicate that the use of three clusters provides the most reasonable compromise between the inertia reduction pattern, Silhouette value, and managerial interpretability. A Silhouette Score of 0.2563 and a DBI value of 1.349 suggest that the quality of cluster separation remains at a low to moderate level, meaning that the resulting clusters are more appropriately interpreted as an initial segmentation rather than a fully distinct classification. The three clusters formed were interpreted as general products, premium products, and strategic products. The numerical characteristics of each cluster were then used to calculate simple indicators, namely the reorder point (ROP) and economic order quantity (EOQ), as baseline purchasing recommendations. The main contribution of this study lies in integrating clustering results with operational inventory policy parameters, although the findings still need to be interpreted cautiously because they have not yet been compared with other algorithms, their stability has not been tested, and the EOQ model applied remains simplified.
Klasterisasi Kebutuhan Pupuk Bersubsidi Menggunakan Algoritma K-Means dan Elbow Method Nurya Herlina Sari; R.Rhoedy Setiawan; Yudie Irawan
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3361

Abstract

The distribution of subsidized fertilizer at the UD Barokah Tani Kiosk in Pati Regency does not yet meet farmers’ needs due to the manual management of RDKK data. This study aims to cluster subsidized fertilizer needs using the K-Means algorithm, validated by the Elbow Method and Silhouette Score. The data used consists of 1,420 RDKK records for the 2025–2026 period, with variables including land area, UREA_TOTAL, NPK_TOTAL, and the number of commodities. The results indicate that the optimal number of clusters is k = 3, with a Silhouette Score of 0.9192, indicating very high cluster quality. The data is divided into three categories: low, medium, and high, with a dominance in the low to medium categories. This study contributes by comprehensively integrating fertilizer requirement variables and using a combination of the Elbow Method and Silhouette Score to enhance the validity of the clustering results. The clustering results are implemented in a web-based system to support rapid, data-driven analysis and visualization.
Kombinasi Decision Tree dan Naïve Bayes dengan Explainable AI untuk Prediksi Dropout Agung Wibowo; Kustiyono; Eko Nur Hermansyah
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3367

Abstract

Predicting student dropout risk is crucial for supporting early intervention and accountable academic decision-making. This study proposes a multi-class classification (Dropout, Enrolled, Graduate) using voting (Naïve Bayes and Decision Tree) and Explainable AI to enhance transparency. The dataset consists of 4,424 records with 36 features. Evaluation was conducted using k-fold stratified cross-validation (k=10) and the F1-macro metric. The results show that model performance is relatively close and stable at k=10, so model selection must consider the trade-off between performance and interpretability. The main contribution of this research is a web-based early warning DSS prototype that integrates Voting (NB+DT) with an XAI module (SHAP–LIME) so that predictions can be explained, audited, and followed up with academic intervention recommendations.
Penerapan Random Forest dan XGBoost untuk Analisis Sentimen pada Ulasan Aplikasi M-Pajak Cherliana; M. Rudi Sanjaya; Dwi Rosa Indah; Dedy Kurniawan
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3370

Abstract

This study aims to evaluate the quality of digital tax services by analyzing the sentiment expressed in user reviews of the M-Pajak app. A dataset of 6,829 reviews was classified into negative, neutral, and positive sentiment, and the study tested the performance of the Random Forest and XGBoost algorithms. Although the test results showed high accuracy rates of 85.21% in the hold-out validation scheme and 90.14% in stratified k-fold cross-validation, an in-depth evaluation using a confusion matrix revealed significant model bias toward the majority class. Key findings indicate that these accuracy figures are misleading because both models completely failed to classify the neutral class, yielding extremely low F1-scores (0.00–0.11). This phenomenon confirms that the primary issue lies not in algorithm selection, but in the extreme data distribution imbalance and the ambiguity of rating-based labeling. The scientific contribution of this research lies in demonstrating that the evaluation of sentiment classification systems must go beyond conventional accuracy metrics. By prioritizing performance stability across each class, the resulting system is expected to provide fairer and more objective evaluation results for public data.

Page 110 of 115 | Total Record : 1145

 108   109   110   111   112 

Filter by Year

2012 2026


Reset
Filter By Issues
All Issue Vol 23 No 1 (2026): Jurnal Algoritma Vol 22 No 2 (2025): Jurnal Algoritma Vol 22 No 1 (2025): Jurnal Algoritma Vol 21 No 2 (2024): Jurnal Algoritma Vol 21 No 1 (2024): Jurnal Algoritma Vol 20 No 2 (2023): Jurnal Algoritma Vol 20 No 1 (2023): Jurnal Algoritma Vol 19 No 2 (2022): Jurnal Algoritma Vol 19 No 1 (2022): Jurnal Algoritma Vol 18 No 2 (2021): Jurnal Algoritma Vol 18 No 1 (2021): Jurnal Algoritma Vol 17 No 2 (2020): Jurnal Algoritma Vol 17 No 1 (2020): Jurnal Algoritma Vol 16 No 2 (2019): Jurnal Algoritma Vol 16 No 1 (2019): Jurnal Algoritma Vol 15 No 2 (2018): Jurnal Algoritma Vol 15 No 1 (2018): Jurnal Algoritma Vol 14 No 2 (2017): Jurnal Algoritma Vol 14 No 1 (2017): Jurnal Algoritma Vol 13 No 2 (2016): Jurnal Algoritma Vol 13 No 1 (2016): Jurnal Algoritma Vol 12 No 2 (2015): Jurnal Algoritma Vol 12 No 1 (2015): Jurnal Algoritma Vol 11 No 2 (2014): Jurnal Algoritma Vol 11 No 1 (2014): Jurnal Algoritma Vol 10 No 2 (2013): Jurnal Algoritma Vol 10 No 1 (2013): Jurnal Algoritma Vol 9 No 2 (2012): Jurnal Algoritma Vol 9 No 1 (2012): Jurnal Algoritma More Issue