cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Agus Junaidi
Contact Email
agus.asj@bsi.ac.id
Phone
+622121231170
Journal Mail Official
jurnal.ijcs@bsi.ac.id
Editorial Address
Jl. Kramat Raya No 98, Senen, Jakarta Pusat, Provinsi DKI Jakarta
Location
Kota adm. jakarta barat,
Dki jakarta
INDONESIA
Indonesian Journal Computer Science (ijcs)
Published by Universitas Bina Sarana Informatika
ISSN : -     EISSN : 28293819     DOI : https://doi.org/10.31294/ijcs.v1i1
Core Subject : Science,
Computer Science & IT
Indonesian Journal Computer Science merupakan jurnal ilmiah nasional sebagai sumber referensi akademisi yang berisikan hasil penelitian ilmiah yang berkaitan dengan bidang komputer dan informatika, diterbitkan oleh LPPM Universitas Bina Sarana Informatika. Jurnal ini rencananya berisi tentang karya ilmiah hasil penelitian yang berfokus kepada: Sistem Pakar, Sistem Informasi, Sistem Informasi Akuntansi, Web Programming, Mobile Programming, Games Programming, Data Mining, dan Sistem Penunjang Keputusan.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 78 Documents
 3   4   5   6   7 
Penerapan K-Means Clustering untuk Klasifikasi Citra Cabai Keriting: Studi Ekstraksi Warna dan Tekstur GLCM Yasmin, Nabila; Chairunnissa Deliva Akbar, Syifa; Ramadhanu, Agung
Indonesian Journal Computer Science Vol. 3 No. 2 (2024): Oktober 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v3i2.5758

Abstract

Klasifikasi citra cabai keriting berdasarkan warna dan tekstur merupakan tantangan penting dalam bidang pertanian digital. Dalam penelitian ini, metode K-Means Clustering diterapkan untuk mengelompokkan citra cabai keriting berdasarkan karakteristik warna dan tekstur. Ekstraksi fitur warna dilakukan menggunakan model warna RGB, sedangkan pada bagian fitur tekstur diekstraksi dengan menggunakan metode Grey Level Co-occurrence Matrix (GLCM). K-Means Clustering digunakan untuk mengelompokkan citra ke dalam beberapa kategori, yaitu cabai keriting merah dan cabai keriting hijau. Hasil penelitian menunjukkan bahwa kombinasi antara fitur warna dan tekstur memberikan akurasi yang lebih baik dalam pengelompokan citra. Pada penelitian ini menggunakan 50 citra untuk setiap jenis, dengan total dataset berjumlah 100 citra. Masing-masing kelas terdapat 60 citra untuk pelatihan dan 40 citra untuk pengujian.Skor uji akurasi  untuk kelas cabai merah keriting dengan nilai akurasi sebesar 93%. Sedangkan untuk kelas cabai hijau keriting yang mendapat  akurasi 91%.  Rata-rata  akurasi hasil  pengujian secara keseluruhan yaitu 92%. Berdasarkan hasil penelitian yang dilakukan, klasifikasi cabai keriting merah dan cabai keriting hijau menggunakan ekstraksi fitur warna dan bentuk terbukti efisien dan menghasilkan kategori baik. Program yang digunakan dapat dijalankan dengan baik dan dapat menangkap karakteristik dataset dengan menggunakan ekstraksi bentuk dan warna.
Pengembangan Sistem Deteksi Objek Botol Real-Time dengan YOLOv8 untuk Aplikasi Vision Triyanto, Dedi; Zidan, Muhammad; Wahyudi, Mochamad; Pujiastuti, Lise; Sumanto, Sumanto
Indonesian Journal Computer Science Vol. 3 No. 1 (2024): April 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v3i1.6070

Abstract

Plastik daur ulang berperan penting dalam menanggulangi masalah limbah lingkungan sekaligus mendukung praktik keberlanjutan. Penelitian ini bertujuan mengembangkan sistem deteksi botol plastik dan kaleng daur ulang secara real-time menggunakan algoritma YOLOv8 yang terkenal akan kecepatan dan akurasinya. Dengan memanfaatkan dataset yang terdiri dari 2.900 gambar dan melatih model melalui Google Colab selama 25 epoch, penelitian ini berhasil menunjukkan performa luar biasa dari YOLOv8, dengan hasil mAP sebesar 99,5%, precision 99,7%, dan recall 99,5%. Model ini terbukti sangat efektif dalam mendeteksi objek daur ulang, memberikan prediksi yang tepat tanpa kesalahan negatif pada confusion matrix. Untuk penelitian lanjutan, disarankan menambah variasi kelas objek seperti botol kaca dan karet serta memperluas dataset guna meningkatkan generalisasi model. Selain itu, pengujian dalam kondisi nyata sangat diperlukan untuk memastikan kinerja optimal dalam lingkungan yang lebih kompleks. Pendekatan serupa dalam penelitian sebelumnya juga telah membuktikan kinerja unggul dalam deteksi real-time, menjadikan metode ini salah satu yang terdepan dalam pengembangan teknologi berbasis YOLO.
Deteksi dan Prediksi Cerdas Penyakit Paru-Paru dengan Algoritma Random Fores Kurniawan, Deny; Wahyudi, Mochamad; Pujiastuti, Lise; Sumanto, Sumanto
Indonesian Journal Computer Science Vol. 3 No. 1 (2024): April 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v3i1.6071

Abstract

Penyakit paru-paru, seperti COPD, kanker paru-paru, dan asma, adalah masalah kesehatan global yang menyebabkan lebih dari tujuh juta kematian setiap tahun. Teknologi canggih, termasuk model deep learning dan algoritma Random Forest, telah digunakan secara efektif untuk mendeteksi dan mengklasifikasikan penyakit paru-paru dari data pencitraan dengan akurasi tinggi. Penelitian ini bertujuan menunjukkan efektivitas algoritma Random Forest dalam memprediksi penyakit paru-paru. Dataset yang digunakan terdiri dari 30.000 data dengan 11 atribut, diperoleh dari Kaggle dan diproses menggunakan perangkat lunak Orange versi 3.36.2. Algoritma Random Forest diimplementasikan dengan 10 pohon keputusan dan enam atribut yang dipertimbangkan pada setiap pembagian data. Model ini diuji menggunakan validasi silang dengan 10 lipatan, dan hasil pengujian menunjukkan nilai AUC sebesar 0,993, yang mengindikasikan tingkat akurasi yang sangat tinggi. Matriks kebingungan digunakan untuk mengevaluasi kinerja model, dengan mengukur akurasi, presisi, recall, F1-Score, dan AUC. Model ini menunjukkan akurasi yang tinggi, dengan nilai ROC AUC 0,453 untuk prediksi adanya penyakit paru-paru dan 0,547 untuk prediksi ketiadaan penyakit paru-paru. Hasil ini menunjukkan bahwa algoritma Random Forest dapat menjadi alat yang efektif dalam mengidentifikasi penyakit paru-paru. Penelitian ini berkontribusi pada pengembangan teknik diagnostik yang lebih akurat dan efisien, yang dapat membantu tenaga medis dalam mendiagnosis penyakit paru-paru pada pasien. Dengan pemahaman yang lebih baik tentang penerapan algoritma ini dalam dunia kesehatan, diharapkan dapat meningkatkan kualitas diagnosis dan perawatan pasien secara signifikan.
Analisis Kualitas Layanan Pada Website Perpustakaan Seskoal Terhadap Kepuasan Pengguna Dengan Metode Webqual Hidayat, Rachmat; Prayudhi, Risa; Fatoni, Ahmad
Indonesian Journal Computer Science Vol. 3 No. 2 (2024): Oktober 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v3i2.6733

Abstract

Pertumbuhan Teknologi Informasi dan Komunikasi yang demikian pesat menjadikan website sebagai faktor penting yang diperhatikan dalam sebuah institusi dalam pendidikan. Dengan adanya website perpustakaan Seskoal menjadi gambaran kemajuan teknologi dipendidikan. Hal ini membuat peneliti ingin melakukan penelitian pada website Perpustakaan Seskoal. Tujuan dari penelitian ini untuk mengetahui seberapa berkualitasnya website Perpustakaan dimana sebelumnya belum pernah dilakukannya analisis dan pengukuran dalam menilai kualitas website Perpustakaan Seskoal. Metode yang digunakan dalam penelitian ini adalah WebQual 4.0. Instrumen yang digunakan berdasarkan pada dimensi Webqual 4.0 yaitu kualitas kegunaan (Usability quality), kualitas informasi (Information quality), dan kualitas layanan interaksi (Service Interaction quality). Data penelitian diperoleh dari pengguna website sebanyak 115 orang. Teknik analisis data menggunakan kuesioner dan analisis regresi linear berganda dengan bantuan Microsoft Excel dan software SPSS versi 25.0. Hasil uji F dan uji T pada variabel independen terhadap variabel dependen bahwa nilai signifikansi sebesar 0,000<0,05 yang artinya variabel independen signifikansi secara bersama-sama terhadap variabel dependen dan nilai Fhitung 55.161 >Ftabel 2,69 dan nilai Thitung 4,238 >Ttabel 1,981. Artinya variabel Usability, Information, Service Interaction secara bersama-sama terdapat pengaruh terhadap kepuasan pengguna. Sedangkan hasil uji koefiesien determinasi menunjukan bahwa dari 3 dimensi variabel webqual4.0 terhadap kepuasan pengguna memberikan pengaruh secara bersama-sama (Simultan) sebesar 58,8%.
Analisis Faktor Penerimaan Penggunaan Aplikasi Identitas Kependudukan Digital (IKD) Ditjen Dukcapil Kemendagri Di Masyarakat Menggunakan Metode TPE (Technology, Personal, Environment) Darma Astuti, Rachmawati; Ramadhan, Fachry
Indonesian Journal Computer Science Vol. 3 No. 2 (2024): Oktober 2024
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v3i2.7167

Abstract

Penelitian ini menganalisis faktor-faktor yang mempengaruhi penerimaan penggunaan aplikasi Identitas Kependudukan Digital (IKD) yang dirilis oleh Ditjen Dukcapil Kemendagri di masyarakat. Penelitian ini berangkat dari pentingnya digitalisasi layanan kependudukan untuk meningkatkan efisiensi dan aksesibilitas bagi masyarakat. Namun, penerimaan teknologi baru sering kali dipengaruhi oleh berbagai faktor, sehingga diperlukan pemahaman mendalam mengenai hal tersebut. Penelitian ini menggunakan metode TPE (Technology, Personal, Environment) yang mengevaluasi pengaruh faktor teknologi, individu, dan lingkungan terhadap penerimaan aplikasi IKD. Tujuan dari penelitian ini adalah untuk mengidentifikasi dan menganalisis faktor-faktor yang mempengaruhi penerimaan masyarakat terhadap aplikasi ini. Hasil penelitian menunjukkan bahwa faktor seperti kemudahan penggunaan, manfaat yang dirasakan, dukungan sosial, dan kondisi lingkungan secara signifikan berperan dalam meningkatkan penerimaan aplikasi IKD. Penelitian ini diharapkan dapat memberikan kontribusi bagi pengembangan kebijakan dan strategi dalam implementasi layanan kependudukan digital yang lebih efektif dan efisien, serta meningkatkan kesadaran masyarakat akan pentingnya teknologi dalam kehidupan sehari-hari.
Pengembangan Model Klasterisasi Topik Hadis Bukhari Muslim Menggunakan BERT dengan Penambahan Fitur Semantik Asy'ari, Ahmad Hasyim; Hanafi, Muhammad
Indonesian Journal Computer Science Vol. 4 No. 2 (2025): Oktober 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v4i2.8931

Abstract

Klastering hadis merupakan tugas penting dalam studi Islam, mengingat sifat korpus hadis yang luas dan kompleks. Pendekatan pengelompokan tradisional sering kali kesulitan untuk menangkap konteks semantik yang mendalam dalam hadis, yang menyebabkan pengelompokan topik menjadi kurang akurat. Kemajuan terkini dalam Natural Language Processing (NLP), seperti model Bidirectional Encoder Representations from Transformers (BERT), telah menunjukkan hasil yang menjanjikan dalam mengatasi tantangan ini dengan menyediakan penyematan kontekstual yang kaya. Namun, penggunaan BERT secara tunggal dapat mengabaikan fitur linguistik yang penting, yang berpotensi membatasi kinerja pengelompokan. Studi ini mengusulkan model pengelompokan yang disempurnakan untuk koleksi hadis Sahih Bukhari dan Sahih Muslim, yang mengintegrasikan penyematan BERT dengan fitur semantik tambahan, termasuk panjang teks, Term Frequency (TF), dan Inverse Document Frequency (IDF). Dengan menggunakan kerangka BERTopic, pendekatan ini menangkap hubungan yang bernuansa antara hadis, yang memberikan hasil pengelompokan yang lebih akurat secara kontekstual. Eksperimen menunjukkan bahwa metode terintegrasi ini secara signifikan meningkatkan kinerja pengelompokan, seperti yang ditunjukkan oleh silhouette score dengan nilai -0.1 dan davies-bouldin index 2.6. Sedangkan tanpa terintegrasi menunjukkan nilai rendah dengan silhouette score dengan nilai -0.145 dan davies-bouldin index 6.6.  Sehingga pengembangan ini menawarkan metode yang lebih tepat untuk pengelompokan topik dalam studi Islam, yang memfasilitasi organisasi dan pemahaman yang lebih baik tentang teks hadis.
Optimasi Deteksi Penipuan Kartu Kredit Menggunakan Regresi Logistik dengan Particle Swarm Optimization Lopes, David Dos Santos Pinto; Hanafi , Muhammad; Nugraha, Icha Nura
Indonesian Journal Computer Science Vol. 4 No. 2 (2025): Oktober 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v4i2.8984

Abstract

Meningkatnya prevalensi transaksi digital telah menyebabkan lonjakan penipuan kartu kredit, yang memerlukan metode deteksi canggih yang menyeimbangkan akurasi dan efisiensi komputasi. Studi penelitian mengusulkan sistem deteksi penipuan yang dioptimalkan menggunakan Logistic Regression (LR) dengan Particle Swarm Optimization (PSO). Peran untuk mengatasi tantangan ketidakseimbangan kelas dan data berdimensi tinggi, kerangka kerja tersebut menggabungkan Teknik Oversampling Minoritas Sintetis (SMOTE) untuk penyeimbangan data, RobustScaler untuk normalisasi yang tahan terhadap outlier, dan Analisis Komponen Utama (PCA) untuk pengurangan dimensionalitas. Algoritma PSO mengoptimalkan parameter LR (C), meningkatkan generalisasi model dan kinerja deteksi. Eksperimen dilakukan pada kumpulan data Credit Card yang berisi 284.807 transaksi, dengan kasus penipuan hanya mewakili 0,172% dari data ketidakseimbangan kelas yang parah. Model yang diusulkan mencapai akurasi 97,47%, presisi 99,82%, recall 89% (kelas penipuan), dan skor ROC-AUC 0,97, yang menunjukkan kinerja yang unggul dalam membedakan transaksi penipuan. Matriks kebingungan mengungkapkan 110 positif benar (deteksi penipuan yang benar) dengan hanya 13 negatif palsu, yang menunjukkan identifikasi penipuan yang kuat sekaligus meminimalkan alarm palsu. Analisis komparatif di berbagai pemisahan pengujian mengonfirmasi konsistensi model, dengan F1-Score secara konsisten di atas 98,5%. Hasil tersebut menyoroti efektivitas penyetelan hiperparameter berbasis PSO dalam meningkatkan kinerja LR, khususnya dalam kumpulan data yang tidak seimbang. Integrasi SMOTE dan PCA memastikan efisiensi komputasi tanpa mengorbankan kemampuan deteksi. Pendekatan memberi solusi yang dapat diskalakan dan presisi tinggi untuk deteksi penipuan waktu nyata, mengurangi kerugian finansial sekaligus mempertahankan efisiensi operasional. 
Prediksi Kelulusan Mahasiswa Menggunakan Algoritma C4.5 dengan RapidMiner: Studi Kasus Data Akademik Perguruan Tinggi XYZ Khasanah, Nurul; Saputri, Daniati Uki Eka; Hidayat, Taopik; Aziz, Faruq
Indonesian Journal Computer Science Vol. 4 No. 2 (2025): Oktober 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v4i2.9647

Abstract

Ketepatan waktu kelulusan mahasiswa merupakan indikator penting dalam menilai kualitas dan efektivitas pendidikan tinggi. Keterlambatan kelulusan tidak hanya berdampak pada akreditasi program studi, tetapi juga pada efisiensi manajemen akademik dan kesiapan lulusan menghadapi dunia kerja. Penelitian ini bertujuan membangun model prediksi kelulusan mahasiswa menggunakan algoritma C4.5 berbasis pohon keputusan dengan dukungan perangkat lunak RapidMiner. Dataset yang digunakan terdiri atas 379 entri mahasiswa, yang mencakup atribut demografis (jenis kelamin, umur, status nikah), status mahasiswa, indeks prestasi semester (IPS 1–8), serta indeks prestasi kumulatif (IPK). Proses penelitian meliputi pengumpulan, pembersihan, transformasi data, pemodelan, dan evaluasi performa. Model diuji menggunakan pembagian data 70:30 serta validasi silang (10-fold cross-validation) untuk memastikan keandalan hasil. Hasil pengujian menunjukkan akurasi 97,81% dan nilai AUC 0,991, yang menegaskan kemampuan algoritma C4.5 dalam mengklasifikasikan status kelulusan secara tepat. Temuan ini menunjukkan peningkatan signifikan dibandingkan penelitian sebelumnya dengan algoritma Naïve Bayes (88,16%) dan K-NN (87,8%). Atribut yang paling berpengaruh adalah IPS3, IPS4, IPS5, status pekerjaan, dan umur mahasiswa. Penelitian ini berkontribusi pada pengembangan model prediksi yang tidak hanya akurat, tetapi juga mudah diinterpretasikan, sehingga dapat dimanfaatkan oleh institusi pendidikan dalam menyusun kebijakan intervensi akademik dini bagi mahasiswa berisiko terlambat lulus.
Sistem Presensi Perkuliahan Mahasiswa Berbasis Face Recognition dengan Metode Liveness Detection Dewi, Euis Nur Fitriani; Tarempa, Genta Nazwar; Rachman , Andi Nur; Febriansyah, Andika
Indonesian Journal Computer Science Vol. 4 No. 2 (2025): Oktober 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v4i2.9876

Abstract

Sistem presensi merupakan komponen penting dalam institusi pendidikan untuk memastikan kehadiran mahasiswa tercatat secara efisien dan akurat. Metode presensi konvensional seperti tanda tangan manual, kartu identitas, atau QR code masih memiliki kelemahan, antara lain rawan kecurangan dan manipulasi data. Untuk mengatasi masalah tersebut, penelitian ini mengembangkan sistem presensi perkuliahan mahasiswa berbasis web yang mengintegrasikan YOLOv11 untuk deteksi wajah secara real-time, InsightFace untuk ekstraksi dan identifikasi fitur wajah, serta liveness detection sebagai mekanisme anti-spoofing. Sistem dibangun menggunakan framework Flask pada backend, ReactJS pada frontend, dan MySQL sebagai basis data. Hasil pengujian menunjukkan bahwa YOLOv11 mampu mendeteksi wajah dengan cepat dan akurat pada berbagai kondisi pencahayaan dengan tingkat precision 96,8%, recall 95,7%, akurasi keseluruhan 96,3% dan F1-Score sebesar 96,24%. Integrasi ketiga teknologi tersebut menghasilkan sistem presensi mahasiswa yang lebih efisien, akurat, dan aman dibandingkan metode konvensional. Penelitian ini memberikan kontribusi inovatif dalam meningkatkan keandalan serta keamanan proses presensi perkuliahan dengan memanfaatkan teknologi face recognition berbasis web. 
Implementasi Model XGBRegressor dalam Prediksi Harga Rumah sebagai Dasar Perencanaan Keuangan bagi Pasangan Muda Astuti, Widi; Sarasati, Fajar
Indonesian Journal Computer Science Vol. 4 No. 2 (2025): Oktober 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v4i2.9939

Abstract

Isu kepemilikan rumah menjadi tantangan utama bagi pasangan muda, terutama karena kenaikan harga rumah yang tidak sebanding dengan pendapatan. Penelitian ini bertujuan untuk memberikan alat bantu dalam pengambilan keputusan finansial bagi pasangan muda yang ingin memiliki rumah pribadi dengan memanfaatkan teknologi machine learning dengan melakukan prediksi harga rumah dengan memanfaatkan algoritma XGBRegressor sebuah metode machine laerning berbasis ensemble dengan kemampuan generalisasi yang baik terhadap data kompleks. Dataset yang digunakan dalam penelitian ini meliputi berbagai variabel seperti luas bangunan, luas tanah, jumlah kamar tidur, jumlah kamar mandi dan kapasitas mobil dalam garasi yang memengaruhi harga rumah. Proses penelitian ini meliputi pengumpulan data, pre-processing, pelatihan model, serta evaluasi model dengan menggunakan metrik MAE, MSE dan R2 SCore. Dimana hasil evaluasi menunjukan bahwa model XGBRegressor mampu mempresiksi harga rumah dengan tingkat akurasi yang cukup baik dengan nilai R2 Score 0.77 serta kesalahan prediksi yang ditunjukan pada nilai MAE dan MSE yang rendah. Penelitian ini mampu memberikan kontribusi bagi pasangan muda yang ingin memiliki rumah pribadi untuk perencanaan finansial masa depan dalam bentuk alat bantu pengambilan keputusan berbasis data secara lebih rasional.

Page 5 of 8 | Total Record : 78

 3   4   5   6   7 

Filter by Year

2022 2025


Reset
Filter By Issues
All Issue Vol. 4 No. 2 (2025): Oktober 2025 Vol. 4 No. 1 (2025): April 2025 Vol. 3 No. 2 (2024): Oktober 2024 Vol. 3 No. 1 (2024): April 2024 Vol. 2 No. 2 (2023): Oktober 2023 Vol. 2 No. 1 (2023): April 2023 Vol. 1 No. 2 (2022): Oktober 2022 Vol. 1 No. 1 (2022): April 2022