cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Fifi Syafrina
Contact Email
jcbd@delitekno.co.id
Phone
+6287869230953
Journal Mail Official
jcbd@delitekno.co.id
Editorial Address
Jl. Lapangan Bola Gg Rosela No.3, Dalu XB, Tanjung Morawa, Kab. Deli Serdang, Prov. Sumatera Utara, Indonesia 20362
Location
Kab. deli serdang,
Sumatera utara
INDONESIA
Journal of Computers and Digital Business
Published by PT Delitekno Media Mandiri
ISSN : -     EISSN : 28303121     DOI : 10.56427
Core Subject : Science,
Computer Science & IT Decision Sciences, Operations Research & Management
Journal of Computers and Digital Business is an interdisciplinary and open access journal covering Computers and Digital Business. The Journal of Computers and Digital Business is open to submission from experts and scholars in the wide areas of Information System, Security, Artificial Intelligent , Cloud Computing, Machine Learning, Digital Business Technology and other areas listed in the focus and scope of this journal. Focus and Scope Information System Information Security Information Retrieval Geographic Information System Fuzzy Logics Genetic Algorithms Neural Networks Machine Learning Decision Support System Data Mining Cloud Computing E-Learning E-Goverment E-Commerce E-Business Digital Business Management Digital Business Technology Digital Business Analysis & Design Big Data & Business Intelligence Cyber Security for Digital Business
Arjuna Subject : Ilmu Komputer (semua kategori) - Aplikasi Ilmu Komputer
Articles 96 Documents
 6   7   8   9   10 
Perbandingan Support Vector Regression dan Long Short-Term Memory untuk Prediksi Harga Crude Palm Oil Berjangka Khoirun Nisa Harahap; Ratu Mutiara Siregar; Raden Aris Sugianto
Journal of Computers and Digital Business Vol. 5 No. 3 (2026): Articles in Press
Publisher : PT. Delitekno Media Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i3.996

Abstract

Indonesia sebagai produsen Crude Palm Oil (CPO) terbesar dunia memerlukan sistem prediksi harga yang akurat untuk mendukung pengambilan keputusan strategis. Penelitian ini membandingkan kinerja algoritma Support Vector Regression (SVR) dan Long Short-Term Memory (LSTM) dalam memprediksi harga CPO berjangka Bursa Malaysia menggunakan 1.426 data harian dari Investing.com periode 2 Januari 2020 hingga 30 Desember 2025. Data diproses melalui pembersihan, normalisasi Min-Max, dan pembentukan sekuens dengan lookback 30, lalu dibagi secara kronologis dengan rasio 80:20. SVR menggunakan kernel Radial Basis Function (RBF) dengan penyetelan parameter melalui GridSearchCV, sedangkan LSTM dibangun dengan arsitektur dua lapis dan Early Stopping. Evaluasi dengan RMSE dan MAPE menunjukkan kedua model mencapai akurasi sangat baik dengan MAPE di bawah 2% pada data uji. SVR memperoleh MAPE 1,29% dan RMSE 76,17 MYR/ton, sedangkan LSTM memperoleh MAPE 1,32% dan RMSE 75,22 MYR/ton. Perbedaan antar model sangat kecil sehingga tidak dapat diklaim signifikan secara statistik tanpa uji formal. Temuan ini mengindikasikan bahwa SVR dan LSTM memiliki kapabilitas setara untuk prediksi harga CPO jangka pendek berbasis data historis, dengan keterbatasan yang sama dalam menghadapi guncangan eksternal yang tidak terepresentasi pada variabel input.
Association Rule Mining with FP-Growth for Cross-Selling Recommendation in a Culinary MSME Ramadhan, Bagas; Januar, Rudolf; Hasan, Firman Noor
Journal of Computers and Digital Business Vol. 5 No. 3 (2026): Articles in Press
Publisher : PT. Delitekno Media Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i3.1021

Abstract

The rapid growth of digitalization in Micro, Small, and Medium Enterprises (MSMEs) has led to a significant increase in daily sales transaction data. However, most culinary MSMEs utilize this data merely as transaction records rather than processing it into valuable insights for business decision-making. Kedai Mie Rahma faces challenges in determining promotional strategies, designing menu packages, and managing raw material inventories due to the lack of systematic analysis of customer purchasing patterns. This study aims to extract valid association rules from sales data using the FP-Growth algorithm to provide data-driven cross-selling recommendations. The methodology follows the Knowledge Discovery in Databases (KDD) framework, analyzing 2,500 historical transactions from the Point of Sales (POS) system. The results successfully identified significant purchasing patterns, with the strongest valid rule being the association between Sweet Snacks and Ngemie (Support: 6.4%, Confidence: 79.9%, Lift Ratio: 1.100). The findings transition the use of FP-Growth from a routine application into a practical decision-support tool, providing the MSME management with a strategic basis for menu bundling, cross-selling opportunities, and targeted inventory planning.
Optimization of LPG Distribution Using the Saving Matrix and Nearest Neighbor Methods Fairuz Naila Qosammah; Ismail Husein
Journal of Computers and Digital Business Vol. 5 No. 2 (2026)
Publisher : PT. Delitekno Media Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i2.1010

Abstract

The distribution of 3 kg LPG cylinders at UD. Tri Surya Efendi is currently conducted conventionally, without structured route planning, leading to fuel wastage, longer travel distances, and high operational costs. This research aims to determine the optimal distribution route by applying the Saving Matrix and Nearest Neighbor methods for 26 regular customers in the Helvetia–Marelan area with a total daily demand of 100 cylinders. Prior to optimization, customers were segmented into three geographic zones, and the distances between the depot and customer locations were obtained using Google Maps. The Saving Matrix method produced three routes spanning 28.06 km at a daily cost of Rp14,300, reducing operational costs by 64.25% compared to the initial Rp40,000. The Nearest Neighbor method produced four routes spanning 30.26 km at Rp15,130, reducing costs by 62.18%. The results show that the Saving Matrix method is more efficient in minimizing travel distance and distribution costs. This study contributes an empirical comparison of both methods in the context of small-scale LPG distribution with prior geographic zone segmentation, a procedure rarely documented in existing literature, and offers a practical reference for improving local distribution efficiency.
Klasifikasi Kematangan Daun Pandan Berdasarkan Fitur Warna Menggunakan Algoritma K-Nearest Neighbors Maulana Habibie Syahrandy; Muhammad Ikhsan
Journal of Computers and Digital Business Vol. 5 No. 3 (2026): Articles in Press
Publisher : PT. Delitekno Media Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i3.997

Abstract

Identifikasi tingkat kematangan daun pandan (Pandanus amaryllifolius) selama ini dilakukan secara visual sehingga bersifat subjektif dan berpotensi menghasilkan penilaian yang tidak konsisten. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis yang mengelompokkan kematangan daun pandan ke dalam dua kelas, yaitu daun muda dan daun tua, berdasarkan fitur warna citra digital menggunakan algoritma K-Nearest Neighbors (KNN). Sebanyak 20 citra diperoleh menggunakan kamera digital dengan pencahayaan alami, kemudian melalui pra-pemrosesan berupa cropping dan resizing, serta dibagi menjadi 16 citra data latih dan 4 citra data uji. Ekstraksi fitur dilakukan dengan mengonversi ruang warna RGB ke HSV (Hue, Saturation, Value), lalu menghitung nilai rata-rata dan standar deviasi setiap komponen sebagai vektor fitur. Klasifikasi dilakukan menggunakan KNN dengan metrik Euclidean Distance pada nilai K = 1, K = 3, dan K = 5, serta diimplementasikan pada MATLAB R2017a. Hasil pengujian menunjukkan accuracy, precision, recall, dan F1-score sebesar 100% pada keempat citra data uji untuk seluruh nilai K. Kontribusi penelitian ini terletak pada kombinasi fitur warna HSV dan algoritma KNN sebagai alternatif identifikasi yang lebih objektif dibandingkan pengamatan visual. Karena dataset yang digunakan berukuran kecil dan tanpa penerapan cross-validation, hasil tersebut bersifat preliminary dan memerlukan validasi pada dataset yang lebih besar dan lebih beragam.
Benchmarking Konfigurasi Apache Spark Single-Node: Studi Format, Partitioning, dan Caching pada Dataset Log Sintetis Syahrur Ro'uf; Bambang Purnomosidi Dwi Putranto
Journal of Computers and Digital Business Vol. 5 No. 3 (2026): Articles in Press
Publisher : PT. Delitekno Media Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i3.1015

Abstract

Studi benchmarking Apache Spark umumnya dilakukan pada klaster multi-node berskala komersial, sehingga panduan konfigurasi untuk mode single-node (local mode) yang lazim dipakai peneliti dengan sumber daya terbatas masih jarang diverifikasi secara empiris dan terbuka. Penelitian ini mengisi kesenjangan tersebut dengan mengevaluasi pipeline data lima tahap (ingest, cleanse, transform, aggregate, dan sink) menggunakan Apache Spark 4.1 pada mesin single-node (4 core, memori driver 4 GB) untuk mengolah dataset log transaksional sintetis 5 juta rekaman (424 MB) yang meniru karakteristik data akses terbuka. Empat eksperimen terkendali dilakukan: (E1) format penyimpanan CSV versus Parquet, (E2) strategi shuffle partitioning, (E3) in-memory caching untuk beban kerja iteratif, dan (E4) profiling waktu eksekusi per tahap. Pada lingkungan uji tersebut, Parquet memberikan percepatan baca 4,03× dengan rasio kompresi 2,92× dibanding CSV; jumlah partisi optimal adalah 4, sesuai jumlah core CPU; in-memory caching menghasilkan percepatan kumulatif 2,22× pada empat kueri berulang; dan pipeline end-to-end mencapai throughput 26.130 rekaman per detik nilai yang spesifik terhadap mesin uji dengan tahap sink Parquet terpartisi sebagai bottleneck dominan (75,1% total waktu). Kontribusi bersifat konfirmatoris-empiris: memverifikasi secara terkendali panduan konfigurasi yang terdokumentasi namun jarang diukur pada konteks single-node, sekaligus menyediakan kode sumber dan generator dataset secara terbuka untuk mendukung reproducibility.
Evaluasi Usabilitas dan Kinerja Pelaporan Aplikasi BOS V2 Bhabinkamtibmas: Kerangka Analitik SUS–Regresi dengan Rancangan Ekstensi Machine Learning Leo Nisya Sagita; Lucia Nugraheni Harnaningrum
Journal of Computers and Digital Business Vol. 5 No. 3 (2026): Articles in Press
Publisher : PT. Delitekno Media Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i3.1034

Abstract

Aplikasi mobile pelaporan internal Bhabinkamtibmas, seperti Binmas Online System versi 2 (BOS V2), menempati posisi strategis dalam infrastruktur pelaporan Polri, namun evaluasi usabilitasnya yang mengaitkan instrumen baku dengan kinerja pelaporan masih jarang didokumentasikan. Penelitian ini mengevaluasi usabilitas BOS V2 dan hubungannya dengan kinerja pelaporan melalui kerangka analitik kuantitatif yang menggabungkan System Usability Scale (SUS) versi Indonesia, korelasi Spearman, dan regresi linear berganda, dengan modul machine learning (K-Means, Random Forest, IndoBERT, dan BERTopic) diformalisasi sebagai ekstensi untuk studi lanjutan. Data diperoleh dari pilot survei terhadap 50 personel Bhabinkamtibmas pada lima Polres di wilayah Polda DIY. Skor SUS rata-rata 55,95 (SD = 14,92) menempatkan BOS V2 pada kategori marginal, dengan reliabilitas Cronbach's α = 0,761. Korelasi Spearman antara SUS dan kinerja pelaporan agregat kuat dan signifikan (ρ = 0,732; p < 0,001), sementara regresi berganda (n = 45) menghasilkan R² = 0,679 dengan SUS sebagai prediktor signifikan (β = 0,0371; p < 0,001). Diagnostik model menunjukkan asumsi klasik terpenuhi (VIF < 1,5; Breusch–Pagan p = 0,849; Shapiro–Wilk p = 0,191). Temuan menunjukkan penyederhanaan alur pengisian sebagai prioritas perbaikan, dan pipeline analitik siap diaktifkan pada studi validasi berskala penuh setelah izin institusional dan persetujuan etik diperoleh.
Analisis Persepsi Kesiapsiagaan Potensi Megathrust Selatan Jawa Menggunakan Integrasi Latent Dirichlet Allocation dan Support Vector Machine Raditya Fajar Ramadhani; Anita Qoiriah
Journal of Computers and Digital Business Vol. 5 No. 3 (2026): Articles in Press
Publisher : PT. Delitekno Media Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i3.1035

Abstract

Potensi gempa megathrust di selatan Jawa memunculkan beragam respons masyarakat di media sosial, namun penelitian sebelumnya umumnya berhenti pada klasifikasi sentimen tanpa mengaitkannya dengan aspek kesiapsiagaan bencana. Penelitian ini bertujuan mengidentifikasi topik diskusi publik, mengklasifikasikan sentimen masyarakat, serta mengintegrasikan keduanya untuk menginterpretasikan persepsi kesiapsiagaan masyarakat. Data berupa 5.235 komentar pada unggahan Instagram resmi BMKG tanggal 14 Agustus 2024. Tahapan analisis meliputi praproses, pemodelan topik dengan Latent Dirichlet Allocation (LDA), klasifikasi sentimen dengan Support Vector Machine (SVM), serta pascaproses dengan Word2Vec dan cosine similarity untuk mengaitkan topik dengan indikator kesiapsiagaan LIPI–UNESCO/ISDR. Model SVM mencapai akurasi tertinggi 0,87 pada pembagian data latih dan uji 90:10. Topik 0 memiliki kedekatan semantik tertinggi dengan indikator Sistem Peringatan Bencana (cosine similarity 0,9238), sedangkan Topik 1 dengan indikator Pengetahuan dan Sikap Risiko (0,9111). Hasil tersebut menunjukkan bahwa integrasi LDA dan SVM yang didukung Word2Vec dan cosine similarity dapat digunakan untuk memetakan persepsi kesiapsiagaan masyarakat melalui keterkaitan antara sentimen, topik pembahasan, dan indikator kesiapsiagaan, sehingga dapat menjadi masukan bagi perbaikan komunikasi risiko kebencanaan.
Penerapan Hierarchical Clustering Multiscale Bootstrap untuk Pengelompokan Wilayah Berdasarkan Perubahan Iklim Terhadap Ketahanan Pangan Anggeraini, Maulida; Syafitri Lubis, Riri; R. Maisaroh Rezyekiyah Siregar
Journal of Computers and Digital Business Vol. 5 No. 3 (2026): Articles in Press
Publisher : PT. Delitekno Media Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i3.1038

Abstract

Perubahan iklim berdampak signifikan terhadap ketahanan pangan, khususnya pada produksi jagung. Penelitian ini bertujuan untuk mengelompokkan 22 kabupaten/kota di Provinsi Sumatera Utara berdasarkan indikator perubahan iklim dan ketahanan pangan menggunakan Hierarchical Clustering dengan pendekatan Multiscale Bootstrap. Delapan variabel dianalisis, yaitu suhu rata-rata, curah hujan, kelembapan relatif, produksi jagung, luas panen, luas tanam, produktivitas, dan harga pangan. Data distandardisasi menggunakan z-score, kemudian dianalisis dengan metode single linkage, complete linkage, dan average linkage berbasis jarak Euclidean. Validitas klaster diuji melalui nilai Approximately Unbiased (AU) dan Bootstrap Probability (BP) dengan ambang AU ≥ 95% sebagai indikator kestabilan. Hasil menunjukkan bahwa average linkage menghasilkan struktur pengelompokan paling valid dan stabil, dengan empat klaster utama yang berkarakteristik berbeda. Klaster 1 (Kabupaten Karo) dicirikan oleh produksi jagung (z = 4,01) dan luas panen (z = 3,87) yang jauh di atas rata-rata wilayah penelitian serta suhu rata-rata yang relatif rendah (z = −0,80), sedangkan Klaster 2 mencerminkan wilayah dengan suhu rata-rata relatif tinggi (z = 1,03) dan kelembapan relatif rendah (z = −1,12). Faktor dominan pembentuk klaster adalah produksi jagung, luas panen, suhu rata-rata, dan kelembapan relatif. Temuan ini menjadi dasar ilmiah bagi perumusan strategi adaptasi perubahan iklim dan penguatan ketahanan pangan berbasis wilayah.
Analisis Sentimen Persepsi Mahasiswa Terhadap Organisasi Kemahasiswaan Menggunakan Naïve Bayes dan TF-IDF Luthfi Al Faraby; Ilka Zufria
Journal of Computers and Digital Business Vol. 5 No. 3 (2026): Articles in Press
Publisher : PT. Delitekno Media Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i3.1039

Abstract

Organisasi kemahasiswaan berperan penting dalam pengembangan diri mahasiswa, namun efektivitasnya menimbulkan keberagaman persepsi. Kebaruan penelitian ini terletak pada kombinasi ekstraksi fitur TF-IDF dan algoritma Naïve Bayes untuk memetakan persepsi serta sentimen mahasiswa terhadap eksistensi organisasi kemahasiswaan guna mendukung evaluasi kebijakan kemahasiswaan di tingkat universitas. Melalui pendekatan kuantitatif, data primer dikumpulkan melalui kuesioner Google Form dari 505 mahasiswa aktif Universitas Islam Negeri Sumatera Utara lintas fakultas dan angkatan. Data teks diproses melalui tahapan text preprocessing (cleaning, case folding, stopword removal, stemming, dan tokenizing). Pelabelan sentimen awal dilakukan berbasis kamus Lexicon dan divalidasi menggunakan koefisien Cohen's kappa. Data kemudian ditransformasikan melalui pembobotan TF-IDF serta dibagi dengan rasio 80% data latih dan 20% data uji sebelum diklasifikasikan menggunakan Naïve Bayes. Evaluasi kinerja model menggunakan confusion matrix menghasilkan akurasi sebesar 86,14% (87 dari 101 data uji terklasifikasi benar), meliputi 7 dari 8 data negatif, 43 dari 53 netral, dan 37 dari 40 positif. Hasil tersebut menunjukkan kinerja model yang baik, sehingga penelitian ini dapat menjadi acuan ilmiah bagi mahasiswa serta bahan pertimbangan pimpinan universitas maupun pengurus organisasi dalam merumuskan strategi gerakan dan komunikasi organisasi yang lebih responsif.
A Tableau-Based Business Intelligence Dashboard for Multidimensional Analysis of Natural Disaster Impacts in Indonesia Trializa, Vina; Hasan, Firman Noor
Journal of Computers and Digital Business Vol. 5 No. 3 (2026): Articles in Press
Publisher : PT. Delitekno Media Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56427/jcbd.v5i3.1040

Abstract

Indonesia is highly vulnerable to natural disasters and generates large volumes of disaster data each year. However, this information is still presented predominantly in tabular reports, which limits multidimensional analysis and weakens its value for evidence-based decision-making. Existing studies emphasize descriptive visualization without integrating a data warehouse architecture to support comprehensive disaster analytics. This study therefore develops a Tableau-based Business Intelligence dashboard supported by a data warehouse for multidimensional analysis and forecasting of natural disaster impacts in Indonesia. The data warehouse was designed using Ralph Kimball’s Nine-Step Methodology, and the Extract, Transform, Load (ETL) process was implemented in Pentaho Data Integration. The dataset comprises 21,986 disaster events recorded by the National Disaster Management Agency (BNPB) from January 2021 to September 2025. The dashboard provides interactive visualizations of disaster trends, regional distribution, casualties, damage levels, and the ten provinces with the highest recorded impacts, together with forecasting based on Tableau’s exponential smoothing (ETS) model. The analysis identified West Java as the province with the highest recorded disaster impacts in absolute terms during the study period. The resulting platform integrates data warehousing, multidimensional visualization, and forecasting to support disaster mitigation and response planning.

Page 9 of 10 | Total Record : 96

 6   7   8   9   10 

Filter by Year

2022 2026


Reset
Filter By Issues
All Issue Vol. 5 No. 3 (2026): Articles in Press Vol. 5 No. 2 (2026) Vol. 5 No. 1 (2026) Vol. 4 No. 3 (2025) Vol. 4 No. 2 (2025) Vol. 4 No. 1 (2025) Vol. 3 No. 3 (2024) Vol. 3 No. 2 (2024) Vol. 3 No. 1 (2024) Vol. 2 No. 3 (2023) Vol. 2 No. 2 (2023) Vol. 2 No. 1 (2023) Vol. 1 No. 2 (2022) Vol. 1 No. 1 (2022) More Issue