cover
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)
ISSN : -     EISSN : 28293819     DOI : https://doi.org/10.31294/ijcs.v1i1
Core Subject : Science,
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.
Articles 88 Documents
Klasifikasi Opini Publik Turnamen PUBG Mobile PMCO Global 2019 Menggunakan Algoritma Naive Bayes Maulina, Dina; Alhamdi, Muhammad Hillal; Nuraminudin, M.
Indonesian Journal Computer Science Vol. 5 No. 1 (2026): April 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v5i1.11552

Abstract

Analisis sentimen di media sosial penting untuk memahami pendapat orang banyak tentang suatu acara, termasuk dalam konteks turnamen e-sport. Penelitian ini bertujuan untuk mengetahui pendapat masyarakat tentang turnamen PUBG Mobile PMCO Global 2019 berdasarkan komentar pengguna di YouTube dengan menggunakan pendekatan machine learning. Dataset yang digunakan adalah dataset terupdate yang mewakili pendapat publik selama periode waktu yang lebih lama. Proses penelitian mencakup tahapan pra-pemrosesan data teks, penilaian fitur dilakukan dengan metode Term Frequency–Inverse Document Frequency (TF-IDF), serta proses pengklasifikasian sentimen menggunakan algoritma Naive Bayes dan Support Vector Machine (SVM). Hasil analisis menunjukkan bahwa sebagian besar komentar pengguna memiliki sentimen netral, yaitu sebesar 55,5%, kemudian diikuti oleh sentimen negatif sebesar 22,9%, dan sentimen positif hanya mencapai 21,6%. Pengujian kinerja model dilakukan dengan menggunakan confusion matrix. Hasilnya menunjukkan bahwa algoritma SVM menghasilkan akurasi sebesar 87,27%, lebih tinggi daripada algoritma Naive Bayes yang hanya mencapai 81,93%, meskipun Naive Bayes tetap menawarkan efisiensi komputasi yang baik. Temuan penelitian ini menunjukkan bahwa pendekatan klasifikasi sentimen berbasis TF-IDF dan machine learning sangat efektif untuk menganalisis pendapat masyarakat di platform media sosial yang menggunakan video seperti YouTube, khususnya dalam konteks lomba e-sport secara internasional.
Digitalisasi Inventori Perancangan Aplikasi Manajemen Persediaan Berbasis Rapid Application Development Hidayat, Rachmat; Siregar, Andronias; Iriadi, Nandang; Hartana, Hartana; Santoso, Tri
Indonesian Journal Computer Science Vol. 5 No. 1 (2026): April 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v5i1.11580

Abstract

Kemajuan teknologi informasi saat ini sangat pesat, komputer alat yang dirancang untuk membantu dan mempermudah tugas manusia, juga terus mengalami perkembangan besar, baik dari sisi perangkat keras maupun perangkat lunak. Pemanfaatan teknologi informasi ini mendorong berbagai perusahaan untuk meningkatkan efisiensi kerja melalui sistem yang terkomputerisasi. PT. Semestaindo merupakan entitas yang bergerak di sektor barang konsumen, khususnya dalam penjualan produk makanan ringan seperti snack dan biskuit. Dalam kegiatan operasionalnya, proses pengelolaan inventaris gudang masih dilakukan secara manual, yang sering menyebabkan berbagai masalah, seperti ketidakcocokan data persediaan, keterlambatan dalam penyusunan laporan, dan rendahnya efisiensi kerja. Keadaan ini dapat berdampak langsung pada kelancaran operasional perusahaan serta proses pengambilan keputusan oleh manajemen. Penelitian ini bertujuan untuk merancang dan menerapkan sistem informasi pengelolaan inventaris gudang yang mampu meningkatkan efektivitas dan efisiensi dalam pengelolaan stok barang. Metode pengembangan sistem yang digunakan adalah Rapid Application Development (RAD), karena metode ini menekankan pada kecepatan dalam proses pengembangan, keterlibatan aktif pengguna, serta fleksibilitas dalam menyesuaikan kebutuhan sistem. Tahapan penelitian meliputi perencanaan kebutuhan, desain sistem, pembangunan aplikasi, dan tahap implementasi. Sistem yang dikembangkan bersifat web-based dengan fitur utama seperti pengelolaan data produk, transaksi barang masuk dan keluar, pemantauan stok secara real-time, serta pelaporan persediaan secara otomatis. Hasil pengujian fungsional menunjukkan bahwa semua fitur pada sistem berjalan sesuai dengan kebutuhan pengguna yang telah ditentukan pada tahap Perencanaan Kebutuhan. Berdasarkan hasil pengujian dan validasi pengguna selama tahap implementasi, sistem informasi pengelolaan persediaan yang dibangun dengan metode RAD membantu menjadikan pengelolaan stok gudang lebih terstruktur, mempermudah proses rekonsiliasi data, serta menyediakan informasi yang diperlukan dalam proses pengambilan keputusan manajerial.
Getalent: Portal Rekrutmen Berbasis Web dengan Integrasi Tes Kepribadian Big Five untuk Shortlisting Kandidat Adrianto, Dennise; Wilson, Wilson; Sebastian, Arnold; Ekaputra, Dharmapo
Indonesian Journal Computer Science Vol. 5 No. 1 (2026): April 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v5i1.11963

Abstract

Penelitian ini dilatarbelakangi oleh tingginya tingkat ketidaksesuaian antara kapabilitas pelamar dan kebutuhan perusahaan dalam proses rekrutmen digital. Hasil analisis kebutuhan terhadap 144 responden menunjukkan bahwa 60,5% pelamar mengalami kesulitan mencari pekerjaan yang sesuai dengan kapabilitas, sementara 55,8% menyatakan tes psikologi daring dapat membantu mempercepat proses seleksi. Untuk menjawab permasalahan tersebut, penelitian ini mengembangkan aplikasi Getalent, portal rekrutmen berbasis web yang mengintegrasikan Tes Kepribadian Big Five dan filtering pekerjaan berbasis keterampilan sebagai mekanisme penyaringan awal kandidat. Sistem dikembangkan menggunakan metodologi Waterfall dan dievaluasi melalui Black Box Testing, evaluasi heuristik berdasarkan Eight Golden Rules, serta kuesioner terhadap 33 responden dan wawancara dengan tiga praktisi Human Resource. Hasil evaluasi menunjukkan bahwa 97% responden menilai fitur filtering membantu pencarian kerja, 87,9% menilai sistem memiliki penanganan error yang baik, dan 94% responden merasa puas terhadap aplikasi. Temuan ini menunjukkan bahwa integrasi asesmen psikometrik dan penyaringan keterampilan dalam satu sistem terintegrasi mampu meningkatkan efisiensi dan objektivitas shortlisting kandidat. Penelitian ini berkontribusi dengan menawarkan model integrasi Big Five dalam portal e-recruitment berbasis web yang dirancang untuk mengurangi job mismatch pada tahap seleksi awal.
Implementasi Application Programming Interface Live Location dan Payment Gateway Aplikasi Bank Sampah Berbasis Mobile Hidayat, Wahyutama Fitri; Setiadi, Ahmad; Malau, Yesni
Indonesian Journal Computer Science Vol. 5 No. 1 (2026): April 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v5i1.12326

Abstract

Permasalahan pengelolaan sampah tetap menjadi isu strategis di Indonesia seiring dengan meningkatnya volume sampah rumah tangga yang belum diimbangi oleh sistem layanan yang efisien dan transparan. Perkembangan teknologi mobile serta layanan berbasis Application Programming Interface (API) mendorong transformasi digital berbagai kegiatan publik, tidak terkecuali bank sampah. Penelitian memiliki tujuan untuk merancang dan mengimplementasikan aplikasi bank sampah dengan aplikasi  bernama GoTrash dengan fitur proses pemesanan penjemputan sampah, pelacakan lokasi, pengelolaan transaksi. Aplikasi dikembangkan menggunakan arsitektur RESTful API untuk menghubungkan aplikasi mobile dengan server backend sehingga pertukaran data dapat dilakukan secara efisien, aman, dan real time. Integrasi layanan pendukung seperti pemetaan lokasi, Firebase untuk sinkronisasi data dan notifikasi, serta Midtrans sebagai payment gateway digunakan untuk meningkatkan fungsionalitas aplikasi. Tahapan pengembangan menggunakan metode waterfall diawali dengan analisa kebutuhan, perancangan wireframe antarmuka, implementasi fitur, kemudian dilanjutkan dengan pengujian menggunakan metode black-box testing untuk memastikan kesesuaian fungsi dengan kebutuhan pengguna. Dengan demikian, aplikasi yang dikembangkan mampu meningkatkan efektivitas, transparansi, dan kemudahan layanan bank sampah digital serta berpotensi menjadi solusi pengelolaan sampah yang lebih modern, terstruktur, dan skalabel.
Analisis Asosiasi Antara Produktivitas Pelajar dan Manajemen Waktu Berdasarkan Algoritma FP-Growth Rabbani, Muhammad Randy; Theonady, Oktavio; Faizah, Haniyah; Satria, Eka Bayu; Meiriza, Alsella; Tania, Ken Ditha
Indonesian Journal Computer Science Vol. 5 No. 1 (2026): April 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v5i1.12327

Abstract

Penelitian ini bertujuan menganalisis hubungan antara manajemen waktu dan produktivitas pelajar menggunakan algoritma FP-Growth. Data yang digunakan berasal dari dataset Ultimate Student Productivity yang terdiri dari 5.000 data dan 21 atribut. Analisis dilakukan melalui tahapan Knowledge Discovery in Databases (KDD) yang meliputi seleksi data, pra-pemrosesan, transformasi, serta pembentukan association rule berdasarkan nilai support, confidence, dan lift ratio. Hasil penelitian menunjukkan bahwa kategori sedang (medium) mendominasi sebagian besar variabel yang dianalisis. Aturan asosiasi memiliki nilai confidence tinggi dan lift ratio lebih dari satu, yang menunjukkan hubungan signifikan antar variabel. Produktivitas kategori sedang berkaitan dengan durasi belajar dan tingkat fokus yang seimbang, sedangkan kategori rendah berkorelasi dengan hasil akademik yang rendah. Temuan ini menunjukkan bahwa keseimbangan dalam pengelolaan waktu belajar berperan penting dalam membentuk pola produktivitas pelajar. Selain itu, pendekatan berbasis data mampu memberikan gambaran objektif mengenai perilaku belajar siswa. Temuan ini dapat dimanfaatkan untuk mengoptimalkan manajemen waktu belajar guna meningkatkan produktivitas dan capaian akademik pelajar, serta sebagai acuan bagi institusi pendidikan dalam menyusun strategi pembelajaran berbasis data.
Systematic Literature Review Pengembangan Aplikasi Mobile Cross-Platform: Tren, Kinerja, dan Tantangan Flutter, React Native, Xamarin Hartono, Fajar Budi
Indonesian Journal Computer Science Vol. 5 No. 1 (2026): April 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v5i1.12340

Abstract

Perkembangan teknologi mobile semakin pesat, namun fragmentasi platform seperti Android dan iOS membuat pengembangan aplikasi menjadi lebih kompleks dan memakan waktu. Pengembangan aplikasi cross-platform muncul sebagai solusi untuk mengurangi biaya dan waktu pengembangan, sambil tetap mempertahankan performa dan pengalaman pengguna yang baik. Artikel ini melakukan analisis literatur terhadap berbagai framework cross-platform populer, seperti Flutter, React Native, dan Xamarin, dengan meninjau publikasi ilmiah dari tahun 2015 hingga 2025. Metode yang digunakan adalah tinjauan pustaka sistematis, mengumpulkan, menganalisis, dan membandingkan kelebihan, kekurangan, serta tren penggunaan masing-masing framework. Hasil tinjauan menunjukkan bahwa Flutter dan React Native menjadi pilihan dominan karena kemudahan pengembangan, performa mendekati native, dan komunitas yang aktif. Namun, tantangan masih ada pada integrasi fitur-fitur native tertentu dan optimasi performa pada aplikasi berskala besar. Artikel ini memberikan panduan ilmiah bagi pengembang dan peneliti untuk memahami tren terkini dalam pengembangan aplikasi mobile cross-platform serta membuka peluang penelitian lebih lanjut dalam optimasi performa dan pengembangan framework baru.
Penerapan Kerangka CRISP-DM dalam Evaluasi Performa Logistic Regression dan Decision Tree untuk Prediksi Kelulusan Mahasiswa Nabarian, Tifanny; Wahyuni, Imelda; Farisi, Salman El
Indonesian Journal Computer Science Vol. 5 No. 1 (2026): April 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v5i1.12502

Abstract

Ketepatan waktu kelulusan mahasiswa sering digunakan sebagai salah satu indikator dalam menilai efektivitas penyelenggaraan pendidikan di perguruan tinggi. Pemanfaatan data akademik melalui pendekatan machine learning dapat membantu mengidentifikasi mahasiswa yang berpotensi mengalami keterlambatan kelulusan secara lebih terukur. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Logistic Regression dan Decision Tree dalam memprediksi kelulusan mahasiswa berdasarkan faktor akademik. Dataset yang digunakan terdiri dari 351 mahasiswa Program Studi Teknik Informatika di STT Terpadu Nurul Fikri, angkatan 2021, dengan variabel input Indeks Prestasi Kumulatif (IPK) serta Indeks Prestasi Semester (IPS) untuk setiap semester. Penelitian ini menggunakan metodologi CRISP-DM dengan pembagian data pelatihan serta pengujian 80:20. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, serta F1-score. Hasil pengujian menunjukkan bahwa Logistic Regression memperoleh accuracy 92,96%, precision 90,91%, recall 97,56%, dan F1-score 94,12%, sedangkan Decision Tree memperoleh accuracy 88,73%, precision 88,37%, recall 92,68%, serta F1-score 90,48%. Hasil tersebut menunjukkan bahwa Logistic Regression menunjukkan performa yang lebih optimal dan lebih sesuai dalam memodelkan hubungan antara variabel akademik dan ketepatan kelulusan mahasiswa. Sebagai kontribusi utama, penelitian ini mengintegrasikan model Logistic Regression terbaik ke dalam purwarupa sistem deteksi dini (early warning system) berbasis web menggunakan Streamlit. Pendekatan ini memberikan keunggulan praktis bagi pemangku kepentingan program studi untuk memitigasi risiko keterlambatan kelulusan secara real-time dan mendukung pengambilan keputusan intervensi akademik yang sepenuhnya digerakkan oleh data (data-drive decision making).
Klasifikasi Opini Tidak Informatif Pada Program Makan Bergizi Gratis (MBG) Menggunakan Random Forest Syabilla, Lailla Syal; Natasyah, Mei Intan; Fathoni, Fathoni; Siahaan, Jeremiah Alwin
Indonesian Journal Computer Science Vol. 5 No. 1 (2026): April 2026
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ijcs.v5i1.12509

Abstract

Pemerintahan Prabowo-Gibran meluncurkan kebijakan strategis Program Makan Bergizi Gratis (MBG) untuk menjamin pemenuhan hak dasar anak atas pangan yang aman, sehat, dan bergizi. Urgensi program ini didasarkan pada angka stunting di Indonesia tahun 2024 yang mencapai 14%, sehingga peluncuran kebijakan Program Makan Bergizi Gratis (MBG) memicu diskusi publik yang masif di platform media sosial X dengan jumlah pengguna mencapai 24,7 juta orang. Namun, volume data yang besar tersebut menghadirkan masalah "Data Sampah" (Noise) berupa spam, promosi jualan, hingga akun bot yang berpotensi menyebabkan bias pada analisis opini publik terhadap program Program Makan Bergizi Gratis (MBG). Penelitian ini bertujuan membangun model klasifikasi opini tidak informatif dengan mengimplementasikan algoritma Random Forest berbasis Knowledge Discovery in Database (KDD) sebagai tahap pra-pemrosesan sebelum analisis sentimen lanjutan. Data yang digunakan berjumlah 10.000 tweet bersumber dari Kaggle, diproses melalui lima tahapan KDD meliputi Data Selection, Data Preprocessing, Data Transformation, Data Mining, dan Data Evaluation dengan menggunakan RapidMiner. Representasi fitur dilakukan dengan pembobotan TF-IDF dan validasi model menggunakan k-fold Cross Validation dengan k=10. Hasil evaluasi menunjukkan model mencapai akurasi 82,03%, precision 93,78%, recall 68,61%, dan F-Measure 79,24%. Hasil ini membuktikan bahwa pendekatan KDD berbasis Random Forest efektif digunakan sebagai pipeline filter noise yang terstruktur untuk teks media sosial berbahasa Indonesia, khususnya pada domain opini kebijakan pemerintah.