cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Sri Ngudi Wahyuni
Contact Email
ijcsr@subset.id
Phone
+6282138594141
Journal Mail Official
ijcsr@subset.id
Editorial Address
Jl. Gatotkaca, Janti Buana Asri 4 Nomor B7, Jurugentong, Banguntapan, Bantul, Yogyakarta, Indonesia
Location
Kab. bantul,
Daerah istimewa yogyakarta
INDONESIA
The Indonesian Journal of Computer Science Research
Published by Hemispheres Press
ISSN : -     EISSN : 29639174     DOI : https://doi.org/10.59095/ijcsr
Core Subject : Science,
Computer Science & IT
The Indonesian Journal of Computer Science Research (IJCSR) adalah jurnal yang memuat naskah ilmiah dari peneliti, akademisi, maupun praktisi, berupa hasil penelitian, tinjauan pustaka ( literature review ) dan/atau bentuk karya tulis ilmiah lainnya, yang khusus mengkaji bidang Ilmu Komputer antara lain sebagai berikut : Computational and algorithm Numerical Methods and Algorithms Autonomic Computing Big Data Computer and Network Architecture Cloud Computing Cluster Computing Workflow Design and Practice Data Mining Artificial Intelligence Web-Based Computing Scientific Visualization Computer Graphics Pattern Recognition Virtual Reality Augmented Reality Geometric Modeling Industry 4.0 Bioinformatics Digital Forensic
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 63 Documents
 3   4   5   6   7 
Analisis Komparatif Kinerja Komputasi Brute Force pada Arsitektur GPU NVIDIA Turing, Ampere, dan Ada Lovelace Putro, Miko Kastomo
The Indonesian Journal of Computer Science Research Vol. 5 No. 1 (2026): Januari
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v5i1.253

Abstract

Dalam investigasi forensik digital, efektivitas serangan brute force untuk pemulihan kata sandi sangat bergantung pada kapasitas komputasi perangkat keras. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja tiga generasi Graphics Processing Unit (GPU) kelas menengah NVIDIA, yaitu GeForce GTX 1660 Ti (Turing), RTX 3050 (Ampere), dan RTX 4060 (Ada Lovelace). Metode penelitian menggunakan pendekatan eksperimental kuantitatif dengan perangkat lunak Hashcat untuk mengukur hashrate, latensi, dan suhu pada tiga algoritma dengan kompleksitas berbeda: MD5, SHA-256, dan Bcrypt. Hasil pengujian menunjukkan bahwa RTX 4060 mendominasi seluruh skenario pengujian dengan peningkatan kinerja signifikan. Namun, ditemukan fenomena anomali pada komparasi generasi sebelumnya. Pada algoritma berbasis memory-bound (MD5 dan SHA-256), GTX 1660 Ti justru mengungguli RTX 3050 hingga 47% karena keunggulan lebar jalur memori 192-bit. Sebaliknya, pada algoritma compute-bound (Bcrypt), RTX 3050 berbalik unggul dua kali lipat dibandingkan GTX 1660 Ti berkat efisiensi arsitektur core yang lebih modern. Penelitian ini menyimpulkan bahwa meskipun arsitektur terbaru (RTX 4060) menawarkan performa terbaik, pemilihan perangkat keras pada anggaran terbatas harus disesuaikan dengan karakteristik target algoritma, di mana spesifikasi memory bus menjadi faktor krusial untuk algoritma ringan
Content-Based Filtering untuk Sistem Rekomendasi Produk E-Commerce Pratama, Fiki; Prastio, Sabib; Seniwati, Erni; Hartanti, Ninik Tri; Sudarmanto, Sudarmanto
The Indonesian Journal of Computer Science Research Vol. 5 No. 1 (2026): Januari
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v5i1.254

Abstract

Perkembangan pesat platform e-commerce mendorong kebutuhan akan sistem rekomendasi yang mampu membantu pengguna menemukan produk yang relevan secara efektif. Meskipun sistem rekomendasi telah banyak dikembangkan, implementasi yang teruji secara empiris pada dataset produk e-commerce Indonesia masih terbatas. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi produk e-commerce berbasis content-based filtering dengan memanfaatkan kemiripan konten antar produk. Dataset yang digunakan bersumber dari Tokopedia Products 2025 yang diperoleh melalui Kaggle, berisi informasi produk seperti nama, kategori, dan deskripsi. Representasi fitur teks dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) untuk mengekstraksi karakteristik penting dari setiap produk. Selanjutnya, tingkat kemiripan antar produk dihitung menggunakan Cosine Similarity guna menghasilkan rekomendasi produk yang paling relevan berdasarkan preferensi pengguna. Implementasi dilakukan menggunakan bahasa pemrograman Python dengan pustaka pandas, NumPy, dan scikit-learn. Hasil evaluasi menggunakan berbagai ukuran sampel query dan nilai K yang terdiri dari sample size 50 query yang paling representatif, sistem mencapai Precision@10 sebesar 88.40%, Recall@10 sebesar 46.81%, dan F1-Score@10 sebesar 50.88%, dengan nilai F1-Score optimal dicapai pada K=30 sebesar 66.79%. Hasil penelitian menunjukkan bahwa kombinasi TF-IDF dan Cosine Similarity mampu memberikan rekomendasi produk yang relevan dengan tingkat akurasi yang baik, sehingga metode ini layak diterapkan sebagai solusi sistem rekomendasi pada platform e-commerce berbasis konten
Analisis Komparatif Algoritma Random Forest dan Multiple Linear Regression untuk Prediksi Suhu Udara dengan Rekayasa Fitur Siklik Haryoko, Haryoko; Farida, Lilis Dwi; Aminuddin, Afrig; Ghozali, Bahrun
The Indonesian Journal of Computer Science Research Vol. 5 No. 1 (2026): Januari
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v5i1.255

Abstract

Prediksi temperatur cuaca merupakan tantangan signifikan dalam bidang meteorologi dan pertanian presisi dikarenakan karakteristik data atmosfer yang sangat fluktuatif dan non-linear. Penelitian ini bertujuan untuk melakukan analisis komparatif kinerja algoritma Machine Learning dalam mengestimasi suhu udara harian, dengan membandingkan model Multiple Linear Regression sebagai baseline dan Random Forest Regressor sebagai model utama. Eksperimen melibatkan penerapan teknik rekayasa fitur (feature engineering) yang komprehensif, khususnya transformasi variabel arah angin menjadi komponen vektor kontinu serta ekstraksi fitur waktu menjadi komponen siklik untuk menangkap pola musiman. Berdasarkan hasil evaluasi menggunakan dataset historis cuaca, model Random Forest menunjukkan performa yang lebih superior dibandingkan Multiple Linear Regression, dengan capaian nilai Koefisien Determinasi ( ) sebesar 0.990, Mean Absolute Error (MAE) sebesar 0.74°C, dan Root Mean Squared Error (RMSE) sebesar 0.95. Hasil analisis membuktikan bahwa pendekatan ensemble learning dengan penanganan fitur siklik jauh lebih efektif dalam memetakan kompleksitas interaksi variabel cuaca dibandingkan metode linear konvensional

Page 7 of 7 | Total Record : 63

 3   4   5   6   7 

Filter by Year

2021 2026


Reset
Filter By Issues
All Issue Vol. 5 No. 1 (2026): Januari Vol. 4 No. 2 (2025): Juli Vol. 4 No. 1 (2025): Januari Vol. 3 No. 2 (2024): Juli Vol. 3 No. 1 (2024): January Vol. 2 No. 2 (2023): July Vol. 2 No. 1 (2023): January Vol. 1 No. 2 (2022): July Vol. 1 No. 1 (2021): January