cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Amir Mahmud Husein
Contact Email
publikasi@itscience.org
Phone
+6281262404895
Journal Mail Official
publikasi@itscience.org
Editorial Address
Jl. Sugeng. Komp. Griya Makmur 7. No D29. Deli Serdang.
Location
Unknown,
Unknown
INDONESIA
Data Sciences Indonesia (DSI)
Published by Information Technology and Science
ISSN : -     EISSN : 28090721     DOI : 10.47709
Core Subject : Science, Education,
Computer Science & IT Education Physics
Data Sciences Indonesia (DSI) adalah jurnal yang memuat hasil penelitian atau kajian ilmu di bidang Ilmu komputer dengan mengambil ranah Data Sciende dan pendukung keilmuan tersebut. Data Sciences Indonesia (DSI) terbit setiap dua kali dalam setahun, yaitu pada bulan Juni dan Desember. Data Sciences Indonesia (DSI) mempublikasikan karya ilmiah terbaik berdasarkan yang berfokus pada penerbitan makalah berkualitas. Artikel yang diserahkan akan ditinjau oleh komite teknis Jurnal. Semua artikel yang dikirimkan harus berupa laporan asli, memiliki nilai kebaruan atau hasil kegiatan yang telah dilakukan sebelumnya, eksperimental atau teoritis, dan akan diulas oleh mitra bestari. Artikel yang dikirim ke jurnal Data Sciences Indonesia (DSI) tidak boleh dipublikasikan di tempat lain. Naskah harus mengikuti pedoman penulis yang disediakan oleh Data Sciences Indonesia (DSI) dan harus ditinjau dan disunting. DSI diterbitkan oleh Information Technology and Science (ITScience), sebuah Lembaga Penelitian di Medan, Sumatera Utara, Indonesia. Aims and Scope Data Science & Analysis Big Data Analytics Business Analysis Business Analytics Business Forecasting Marketing Analytics Business For Decision Making Business Intelligence and Analytics Natural Language Processing Natural Language Analytics Search-Driven Analytics Computational Linguistics Social Media Analysis Data Mining and Data Analytics Data Clustering and Classifications Data Analysis Data Analyticts Data Visualization Information Science Tools and Applications in Data Science Computer Vison Deep Learning Machine Learning
Arjuna Subject : Ilmu Komputer (semua kategori) - Kecerdasan Buatan
Articles 155 Documents
 12   13   14   15   16 
Kerangka Audit Kualitas Data Berbasis AI untuk Deteksi Anomali Data Kemiskinan Pasca-Integrasi DTSEN Muammar Basrun Dai; Livia Adisnaia Syahada; Marchello Hevie Jhonatan; Muhammad Agil Ma’ruf Siregar; Ari Apriyansa
Data Sciences Indonesia (DSI) Vol. 6 No. 1 (2026): Article Research Volume 6 Issue 1, Juni 2026
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Integrasi Data Tunggal Sosial dan Ekonomi Nasional (DTSEN) memperkuat tata kelola data sosial-ekonomi nasional sebagai dasar perencanaan kebijakan, perlindungan sosial, dan penanggulangan kemiskinan. Namun, integrasi data tidak secara otomatis menghilangkan permasalahan kualitas informasi seperti duplikasi residual, inkonsistensi atribut, ketidakmutakhiran data, ketidaksesuaian lintas sumber, dan risiko salah klasifikasi yang dapat memengaruhi ketepatan sasaran program sosial. Kondisi tersebut menunjukkan perlunya mekanisme audit pasca-integrasi yang mampu mendukung pemeriksaan kualitas data secara lebih efektif dan sistematis. Penelitian ini bertujuan merumuskan kerangka konseptual audit kualitas data berbasis kecerdasan buatan (AI) untuk mendukung deteksi anomali dan prioritas verifikasi data kemiskinan pasca-integrasi DTSEN dalam perspektif pemerintahan cerdas daerah. Penelitian menggunakan tinjauan konseptual berbasis sintesis naratif-tematik terhadap literatur ilmiah, regulasi, dokumen kebijakan, dan laporan lembaga internasional yang relevan dengan registri sosial, kualitas data, deteksi anomali, tata kelola AI, dan pemerintahan digital. Hasil penelitian menghasilkan tiga keluaran utama: sintesis tema literatur yang mencakup delapan tema saling melengkapi; tipologi anomali data kemiskinan yang memuat enam jenis penyimpangan beserta implikasi auditnya; serta kerangka konseptual yang menempatkan DTSEN sebagai basis data sosial-ekonomi, audit kualitas data sebagai lapisan pemeriksaan pasca-integrasi, AI sebagai alat bantu deteksi anomali yang menghasilkan daftar prioritas verifikasi berbasis risiko, dan mekanisme human-in-the-loop sebagai validasi akhir di mana aparatur yang berwenang menentukan tindak lanjut administratif. Kerangka ini menempatkan pelindungan data pribadi dan akuntabilitas algoritmik sebagai prinsip tata kelola, serta dapat diadaptasi sebagai landasan konseptual bagi audit kualitas data pada registri sosial terintegrasi di sektor publik lain yang menghadapi tantangan serupa.
Perbandingan Algoritma Random Forest, XGBoost, dan Support Vector Regression dalam Prediksi Harga Bahan Pangan Berbasis Data Cuaca Engkus Kusnadi
Data Sciences Indonesia (DSI) Vol. 6 No. 1 (2026): Article Research Volume 6 Issue 1, Juni 2026
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v6i1.8753

Abstract

Harga komoditas pangan di Indonesia sangat fluktuatif dan dipengaruhi oleh variabel iklim seperti curah hujan dan suhu udara. Penelitian ini mengusulkan perbandingan tiga algoritma machine learning, yaitu Random Forest (RF), Extreme Gradient Boosting (XGBoost), dan Support Vector Regression (SVR), untuk memprediksi harga harian komoditas beras dan cabai di Indonesia. Dataset yang digunakan terdiri dari 1.505 data harian dari tahun 2019 hingga 2024, mencakup 13 variabel harga dan 8 fitur meteorologis. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil eksperimen menunjukkan bahwa XGBoost mencapai performa terbaik secara keseluruhan dengan RMSE terendah dan R² tertinggi untuk sebagian besar variabel target, diikuti oleh Random Forest, sedangkan SVR menunjukkan tingkat kesalahan lebih tinggi terutama untuk komoditas volatil seperti cabai. Temuan ini mengindikasikan bahwa metode ensemble berbasis boosting sangat cocok untuk tugas prediksi harga pangan dengan interaksi fitur yang kompleks dan nonlinear.
Analisis Kinerja Kurir Pada Layanan Pengiriman E-commerce Menggunakan Metode K-Means Clustering Paulina Kolin; Kiki Mustaqim; Noviana Riza
Data Sciences Indonesia (DSI) Vol. 6 No. 1 (2026): Article Research Volume 6 Issue 1, Juni 2026
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v6i1.8755

Abstract

Pertumbuhan pesat e-commerce di Indonesia menciptakan kebutuhan tinggi akan layanan pengiriman yang efisien dan berkualitas. Perusahaan agregator logistik menghadapi tantangan dalam mengevaluasi kinerja mitra kurir secara objektif karena setiap kurir memiliki karakteristik yang berbeda. penelitian ini bertujuan menerapkan metode K-Means Clustering untuk pengelompokan mitra kurir berdasarkan performa, mengidentifikasi karakteristik setiap kelompok, dan merancang dashboard interaktif sederhana sebagai alat bantu visualisasi pengambilan keputusan. Data yang dianalisis berasal dari histori pengiriman sebuah perusahaan agregator logistik di Indonesia PT. X, dengan parameter utama yang dievaluasi meliputi durasi pengiriman, biaya pengiriman, tingkat keberhasilan, dan jumlah komplain. Hasil analisis berhasil mengelompokkan enam kurir dana tiga klaster kinerja. Jumlah klaster yang dipilih K=3 ditetapkan berdasarkan skor silhouette tertinggi (0,331). Klaster 0 (Performa Tinggi) yang dicirikan oleh kecepatan dan biaya ekonomis, Klaster 1 (Performa Standar) dengan kinerja menengah, dan Klaster 2 (Performa rendah) yang cenderung mahal dan lambat. Seluruh temuan diimplementasikan ke dalam dashboard interaktif menggunakan Streamlit. Metode K-Means Clustering terbukti efektif menyediakan segmentasi kinerja kurir yang jelas dan berbasis data, sehingga dashboard yang dihasilkan dapat menjadi alat bantu strategis untuk mengoptimalkan alokasi kurir dan meningkatkan efisiensi layanan.
Faktor Penyebab Stres Terhadap Kesehatan Mental Pelajar Berdasarkan dataset Student Mental Health Academic Pressure 2026 Reneisha Puri Azzahra; Hafiyyan Putra Pratama
Data Sciences Indonesia (DSI) Vol. 6 No. 1 (2026): Article Research Volume 6 Issue 1, Juni 2026
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kesehatan mental pelajar merupakan isu krusial yang dipengaruhi oleh berbagai faktor demografis dan perilaku, termasuk gender, usia, frekuensi stres karena akademik, durasi tidur, dan penyebab utama stres. Penelitian ini bertujuan menganalisis bagaimana faktor-faktor tersebut memengaruhi tingkat stres pelajar karena akademik menggunakan pendekatan pipeline analiysis. Dataset berjumlah 33 responden yang dikumpulkan melalui survei formulir daring dengan selanjutnya melakukan analisis melalui tahapan data understanding, data cleaning, Exploratory Data Analysis (EDA), data preprocessing, dan data modeling. Empat algoritma machine learning (ML) diterapkan, yaitu Logistic Regression, Decision Tree, Random Forest, dan Gradient Boosting, dengan validasi silang 3-fold. Logistic Regression menunjukkan performa terbaik dengan CV Accuracy sebesar 0,576 ±0,214. Frekuensi stres akademik, durasi tidur, dan penyebab stres akademik teridentifikasi sebagai fitur paling signifikan. Mayoritas responden merasakan stres karena akademik pada level 4 dari 5, dengan penyebab utama adalah ujian dan nilai (45,5%) serta kondisi finansial (24,2%). Faktor akademik dan finansial merupakan prediktor utama tekanan pada pelajar. Model yang dikembangkan berpotensi digunakan sebagai sistem peringatan dini di institusi pendidikan. Diperlukan pengumpulan data yang lebih besar (minimal 500 responden) untuk meningkatkan keandalan model secara operasional.
Pengelompokan Potensi Ekonomi Provinsi Sulawesi Tenggara menggunakan Metode Fuzzy C-Means Clustering L.M. Aznur Syahfajar; Noviana Riza; Woro Isti Rahayu
Data Sciences Indonesia (DSI) Vol. 6 No. 1 (2026): Article Research Volume 6 Issue 1, Juni 2026
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v6i1.8969

Abstract

Penelitian ini bertujuan untuk mengelompokkan wilayah kabupaten/kota di Provinsi Sulawesi Tenggara berdasarkan potensi ekonomi sumber daya alam menggunakan metode Fuzzy C-Means Clustering (FCM). Analisis difokuskan pada lima sektor ekonomi primer strategis, yaitu pertanian, UMKM, perkebunan, perkebunan buah, dan perikanan, dengan data bersumber dari Badan Pusat Statistik Provinsi Sulawesi Tenggara melalui Potensi Desa (PODES) dan statistik sektoral tahun 2024. Tahapan penelitian meliputi preprocessing, normalisasi, penentuan jumlah klaster optimal, penerapan FCM, serta evaluasi menggunakan Silhouette Score, Davies-Bouldin Index, dan Calinski-Harabasz Score. Hasil penelitian menunjukkan terbentuknya tiga klaster utama pada setiap sektor dengan karakteristik yang berbeda, misalnya sektor pertanian didominasi oleh wilayah berproduksi pangan tinggi di Klaster 1, sedangkan Klaster 3 mencakup wilayah berproduktivitas rendah. Evaluasi model menghasilkan nilai Silhouette Score 0,53–0,61 dan Davies-Bouldin Index <0,7 pada sebagian besar sektor, menunjukkan kualitas klasterisasi yang baik. Visualisasi peta tematik memperlihatkan pola distribusi spasial yang jelas, dan analisis lanjutan menghasilkan rekomendasi kebijakan sektoral seperti penguatan hilirisasi, peningkatan akses pasar UMKM, dan optimalisasi teknologi pertanian. Penelitian ini diharapkan menjadi acuan dalam perumusan kebijakan pembangunan daerah yang lebih tepat sasaran dan berbasis data.

Page 16 of 16 | Total Record : 155

 12   13   14   15   16 

Filter by Year

2021 2026


Reset
Filter By Issues
All Issue Vol. 6 No. 1 (2026): Article Research Volume 6 Issue 1, Juni 2026 Vol. 5 No. 2 (2025): Article Research Volume 5 Issue 2, Desember 2025 Vol. 5 No. 1 (2025): Article Research Volume 5 Issue 1, June 2025 Vol. 4 No. 2 (2024): Article Research Volume 4 Issue 2, December 2024 Vol. 4 No. 1 (2024): Article Research Volume 4 Issue 1, June 2024 Vol. 3 No. 2 (2023): Article Research Volume 3 Issue 2, December 2023 Vol. 3 No. 1 (2023): Article Research Volume 3 Issue 1, December 2023 Vol. 3 No. 1 (2023): Article Research Volume 3 Issue 1, June 2023 Vol. 2 No. 2 (2022): Article Research Volume 2 Issue 2, Desember 2022 Vol. 2 No. 1 (2022): Article Research Volume 2 Issue 1 Juni Tahun 2022 Vol. 1 No. 2 (2021): Article Research Volume 1 Number 2, Desember 2021 Vol. 1 No. 1 (2021): Article Research Volume 1 Issue 1, June 2021 More Issue