cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Hidayatus Sibyan
Contact Email
hsibyan@unsiq.ac.id
Phone
+622863326102
Journal Mail Official
biner@fastikom-unsiq.ac.id
Editorial Address
Jl. KH. Hasyim Asy'ari Km. 03, Kalibeber, Mojotengah, Wonosobo, Jawa Tengah, Indonesia, 56351
Location
Kab. wonosobo,
Jawa tengah
INDONESIA
Biner : Jurnal Ilmiah Informatika dan Komputer
Published by Universitas Sains Al-Qur'an
ISSN : 28280210     EISSN : 28280229     DOI : https://doi.org/10.32699/biner
Core Subject : Science,
Computer Science & IT
Biner : Jurnal Ilmiah Informatika dan Komputer merupakan jurnal yang memuat artikel hasil penelitian maupun kajian ilmiah para peneliti, dosen, mahasiswa ataupun para praktisi di bidang Teknik Informatika dan Komputer. Jurnal ini dikelola oleh Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Quran yang terbit secara berkala pada bulan Januari dan Juli dengan ISSN (print): 2828-0210 ISSN (online): 2828-0229.
Arjuna Subject : Ilmu Komputer (semua kategori) - Aplikasi Ilmu Komputer
Articles 116 Documents
 8   9   10   11   12 
ANALISIS KOMPARASI KINERJA ALGORITMA MERGESORT DAN QUICKSORT PADA PEMBANGKITAN KUNCI KRIPTOGRAFI ELGAMAL Muh. Farizzi; Moh. Alhaji Putra Lede
Biner : Jurnal Ilmiah Informatika dan Komputer Vol. 5 No. 2 (2026): Juli
Publisher : Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur'an

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/biner.v5i2.11172

Abstract

Fase pembangkitan kunci pada algoritma kriptografi asimetris Elgamal merupakan tahapan paling krusial yang bergantung pada efisiensi proses pengurutan bilangan acak untuk menyeleksi bilangan prima. Penelitian sebelumnya mengimplementasikan Quicksort pada fase ini, namun algoritma tersebut memiliki kerentanan penurunan performa drastis menjadi  pada skenario terburuk. Penelitian ini bertujuan mengusulkan Mergesort sebagai substitusi dan melakukan analisis komparatif waktu eksekusi antara kedua algoritma. Pengujian disimulasikan menggunakan C++ pada lingkungan komputasi terisolasi dengan variasi populasi data ( ) dari 1.000 hingga 100.000 elemen pada kondisi data acak dan terurut terbalik. Hasil pengujian menunjukkan bahwa meskipun Quicksort lebih cepat pada kondisi rata-rata, algoritma tersebut mengalami kelumpuhan rekursif (Stack Overflow) pada kondisi terurut terbalik. Sebaliknya, Mergesort terbukti konsisten mempertahankan kompleksitas  di seluruh skenario; pada  worst case, Mergesort 65 kali lebih cepat dari Quicksort. Validasi end-to-end membuktikan kunci Elgamal yang dibangkitkan sepenuhnya valid secara kriptografis.
OPTIMASI SELEKSI FITUR PADA RANDOM FOREST UNTUK PREDIKSI RISIKO DIABETES TAHAP AWAL MENGGUNAKAN SFS, SBS, DAN PSO Mediana Nurlailli; Sucipto Sucipto; Anita Sari Wardani
Biner : Jurnal Ilmiah Informatika dan Komputer Vol. 5 No. 2 (2026): Juli
Publisher : Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur'an

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/biner.v5i2.11298

Abstract

Preprocessing merupakan tahapan penting dalam machine learning karena kualitas data mempengaruhi performa model klasifikasi. Salah satu teknik preprocessing yang sering digunakan adalah feature selection untuk memilih atribut yang relevan dan mengurangi fitur yang kurang berpengaruh terhadap proses klasifikasi. Penelitian ini bertujuan melakukan optimasi seleksi fitur menggunakan metode Sequential Forward Selection (SFS), Sequential Backward Selection (SBS), dan Particle Swarm Optimization (PSO) pada algoritma Random Forest untuk prediksi risiko diabetes tahap awal. Dataset yang digunakan adalah Early Stage Diabetes Risk Prediction Dataset yang ditransformasikan ke bentuk numerik menggunakan Label Encoding. Hasil penelitian menunjukkan bahwa Random Forest tanpa seleksi fitur menghasilkan accuracy sebesar 98.27% dengan 16 fitur, metode SFS menghasilkan accuracy sebesar 98.65% dengan 11 fitur, sedangkan metode SBS memperoleh accuracy tertinggi sebesar 99.23% menggunakan 11 fitur dan PSO memperoleh accuracy sebesar 98.85% menggunakan 11 fitur. Selain meningkatkan accuracy, seleksi fitur juga mampu mengurangi jumlah atribut sehingga proses klasifikasi menjadi lebih efisien.
SISTEM PENDUKUNG KEPUTUSAN SELEKSI KIP KULIAH BERBASIS MOBILE DENGAN AHP-SAW M. Dimas Ubaidilah; Rina Firliana; Aidina Ristyawan
Biner : Jurnal Ilmiah Informatika dan Komputer Vol. 5 No. 2 (2026): Juli
Publisher : Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur'an

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/biner.v5i2.11316

Abstract

Program Kartu Indonesia Pintar (KIP) Kuliah memerlukan proses seleksi yang objektif karena melibatkan berbagai kriteria penilaian. Namun, proses seleksi yang masih dilakukan secara manual berpotensi menimbulkan subjektivitas dalam pengambilan keputusan. Penelitian ini bertujuan mengembangkan Sistem Pendukung Keputusan (SPK) seleksi KIP Kuliah berbasis mobile menggunakan metode Analytical Hierarchy Process (AHP) dan Simple Additive Weighting (SAW). Metode AHP digunakan untuk menentukan bobot kriteria, sedangkan SAW digunakan untuk menghitung nilai preferensi dan perangkingan alternatif. Sistem dikembangkan menggunakan Flutter dan Firebase untuk mendukung pengelolaan data secara real-time. Pengujian dilakukan menggunakan 10 data simulasi yang disusun berdasarkan kriteria seleksi KIP Kuliah. Hasil penelitian menunjukkan bahwa kriteria kondisi sosial ekonomi memiliki bobot tertinggi sebesar 0,33 dan alternatif A8 memperoleh nilai preferensi tertinggi sebesar 0,973501. Hasil Blackbox Testing menunjukkan seluruh fungsi sistem berjalan sesuai dengan kebutuhan yang ditetapkan. Penelitian ini menghasilkan SPK berbasis mobile yang mampu mendukung proses seleksi KIP Kuliah secara lebih objektif, sistematis, dan efisien dibandingkan proses manual.
OPTIMASI XGBOOST DENGAN GRID SEARCH CROSS VALIDATION UNTUK PENINGKATAN AKURASI PREDIKSI HARGA RUMAH Muhammad Junaidi; Rina Firliana; Arie Nugroho
Biner : Jurnal Ilmiah Informatika dan Komputer Vol. 5 No. 2 (2026): Juli
Publisher : Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur'an

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/biner.v5i2.11325

Abstract

Harga rumah dipengaruhi oleh berbagai faktor seperti lokasi, luas bangunan, dan fasilitas sehingga prediksi harga secara akurat menjadi tantangan dalam sektor properti. Penelitian ini bertujuan mengoptimalkan prediksi harga rumah menggunakan algoritma XGBoost Regressor dengan Grid Search Cross Validation (GridSearchCV). Dataset yang digunakan adalah Jakarta House Price Dataset dengan tahapan preprocessing berupa penanganan missing value, transformasi logaritmik pada variabel target, dan One-Hot Encoding pada fitur kategorikal. Model dibangun dalam pipeline terintegrasi dan dioptimasi untuk memperoleh kombinasi hyperparameter terbaik. Hasil penelitian menunjukkan bahwa model yang diusulkan memperoleh nilai R² sebesar 0,8889, MAE sebesar 0,2418, MSE sebesar 0,1300, dan RMSE sebesar 0,3606, serta memiliki kinerja yang lebih baik dibandingkan Random Forest. Kontribusi penelitian ini terletak pada integrasi preprocessing dan optimasi hyperparameter XGBoost dalam satu pipeline untuk meningkatkan akurasi prediksi harga rumah pada dataset properti Indonesia. Dengan demikian, model yang dihasilkan dapat digunakan sebagai pendukung pengambilan keputusan di bidang properti.
SISTEM PAKAR REKOMENDASI PESTISIDA BAWANG MERAH MENGGUNAKAN METODE CERTAINTY FACTOR DAN SIMPLE ADDITIVE WEIGHTING Enggar Rahma Agustin; Rina Firliana; Aidina Ristyawan
Biner : Jurnal Ilmiah Informatika dan Komputer Vol. 5 No. 2 (2026): Juli
Publisher : Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur'an

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/biner.v5i2.11328

Abstract

Kabupaten Nganjuk merupakan salah satu daerah penghasil bawang merah tersebesar di Jawa Timur. Namun, dalam proses budidayanya petani sering mengalami kesulitan dalam mengenali hama dan penyakit serta menentukan pestisida yang tepat akibat banyaknya jenis produk/merk pestisida yang beredar. Penelitian ini bertujuan membangun sistem pakar rekomendasi pestisida tanaman bawang merah berbasis chatbot WhatsApp menggunakan metode certainty factor dan simple additive weighting. Metode CF digunakan untuk melakukan proses diagnosis hama dan penyakit berdasarkan gejala yang dipilih pengguna, sedangkan metode SAW digunakan untuk menentukan rekomendasi pestisida terbaik berdasarkan beberapa kriteria. Penelitian menggunakan metode pengembangan waterfall yang meliputi analisis kebutuhan, perancangan sistem, implementasi, dan pengujian. Hasil penelitian menunjukkan bahwa sistem berhasil menampilkan informasi gejala, melakukan diagnosis hama dan penyakit, serta memberikan rekomendasi pestisida dalam bentuk peringkat. Hasil pengujian blackbox menunjukkan seluruh fitur sistem berjalan dengan baik. Pengujian akurasi menggunakan 17 data uji memperoleh tingkat akurasi sebesar 100% dibandingkan hasil diagnosis pakar. Selain itu, pestisida Clormite 400 EC memperoleh nilai preferensi tertinggi sebesar 0,721.
IMPLEMENTASI CLASS WEIGHT, DATA AUGMENTATION DAN RESNET101 UNTUK MENGATASI OVERFITTING DAN IMBALANCED DATA PADA KLASIFIKASI PISTACHIO Moch. Raffi Dwi Saktya Rahman; Arie Nugroho; Aidina Ristyawan
Biner : Jurnal Ilmiah Informatika dan Komputer Vol. 5 No. 2 (2026): Juli
Publisher : Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur'an

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/biner.v5i2.11352

Abstract

Klasifikasi kacang Pistachio varietas Kirmizi dan Siirt secara manual rentan terhadap kesalahan akibat kemiripan morfologi antar varietas, sementara penelitian sebelumnya menggunakan ResNet50 mengalami overfitting parah dengan gap accuracy 78% dan belum menangani ketidakseimbangan data secara eksplisit. Penelitian ini bertujuan mengimplementasikan ResNet101 dengan augmentasi data dan class weighting untuk meningkatkan akurasi klasifikasi sekaligus mengatasi overfitting dan imbalanced data. Metode yang digunakan adalah kerangka CRISP-DM dengan 2148 citra (rasio 80:10:10) dan empat skenario eksperimen kombinasi data augmentasi dan class weighting berbasis Transfer Learning ResNet101. Hasil menunjukkan ResNet101 dengan class weighting tanpa augmentasi mencapai accuracy, precision, recall, dan F1-score sebesar 98,31%, melampaui Inception-V3 (96%) sebesar 2,31 poin dan ResNet50 (86%) sebesar 12,31 poin, dengan class weighting lebih bermanfaat saat dikombinasikan augmentasi dibanding kondisi data bersih. Augmentasi justru menurunkan akurasi karena latar belakang citra yang homogen, menunjukkan efektivitasnya bergantung pada karakteristik dataset dan bukan berlaku universal. Disimpulkan bahwa ResNet101 dengan class weighting tanpa augmentasi merupakan konfigurasi optimal untuk dataset Pistachio berkarakteristik visual homogen, dan penelitian lanjutan disarankan mengeksplorasi arsitektur modern dengan dataset lebih bervariasi.
METODE SCORING AGREGASI PERILAKU AKUN UNTUK KLASIFIKASI RISIKO PADA DATASET E-WALLET PAYSIM Umi Fatihaturrohmah; Anas Azhimi Qalban
Biner : Jurnal Ilmiah Informatika dan Komputer Vol. 5 No. 2 (2026): Juli
Publisher : Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur'an

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/biner.v5i2.11414

Abstract

Penelitian tentang deteksi penipuan transaksi e-wallet berbasis machine learning menghasilkan klasifikasi biner pertransaksi tanpa profil risiko akun yang komprehensif, sehingga terdapat kesenjangan dalam penilaian tingkat risiko per akun pada dataset PaySim. Penelitian ini bertujuan mengembangkan metode Account Behavior Aggregation Scoring (ABAS) untuk mengklasifikasikan tingkat risiko akun e-wallet secara transparan dan terukur tanpa memerlukan model pembelajaran mesin. Metode ABAS menghitung skor S menggunakan formula S = min(S₁+S₂+S₃+S₄+D, 100) dari lima komponen. Validasi dilakukan pada 6.362.620 transaksi dataset PaySim (CC0, Kaggle) melalui tiga kelompok eksperimen: K-1 (isolasi pengaruh S₁ dengan variasi frekuensi), K-2 (isolasi pengaruh S₂ dengan variasi jumlah), dan K-3 (validasi data nyata terhadap ground truth isFraud). Hasil menunjukkan 6.353.307 akun unik berhasil di-score dengan rata-rata skor 20,21. Komponen S₄ mendominasi kontribusi dataset nyata sebesar 38,9%, diikuti S₁ (32,4%) dan S₂ (18,9%). Distribusi kategori menunjukkan 2.228 akun (0,04%) berkategori TINGGI dengan fraud rate 0,6%, tertinggi di antara semua kategori. Tren kenaikan monoton fraud rate dari 0,0% (SANGAT RENDAH) hingga 0,6% (TINGGI) memvalidasi sifat diskriminatif klasifikasi. Dataset berlabel terbuka yang dihasilkan memungkinkan penerapan pemantauan berbasis risiko sesuai kerangka CDD FATF tanpa membangun model penilaian dari awal.
PERBANDINGAN RANDOM FOREST, NAIVE BAYES, DAN HEURISTIC POUR UNTUK ANALISIS SENTIMEN MBG Ita Hardianti; Feby Charlos; Kanim Kanim
Biner : Jurnal Ilmiah Informatika dan Komputer Vol. 5 No. 2 (2026): Juli
Publisher : Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur'an

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/biner.v5i2.11465

Abstract

Program Makan Bergizi Gratis (MBG) merupakan kebijakan intervensi gizi nasional yang memicu beragam respons masyarakat di media sosial, khususnya YouTube. Penelitian ini bertujuan menganalisis sentimen publik terhadap program MBG, membandingkan kinerja Random Forest, Naive Bayes, dan Heuristic Pour, serta mengevaluasi pengaruh Synthetic Minority Oversampling Technique (SMOTE) dalam menangani ketidakseimbangan kelas. Sebanyak 2.278 komentar YouTube periode Agustus 2024–Januari 2025 diproses melalui tahapan cleaning, tokenizing, stopword removal, stemming, dan pembobotan TF-IDF. Evaluasi model dilakukan menggunakan 10-fold cross-validation berdasarkan confusion matrix, Precision, Recall, F1-score, dan Area Under Curve (AUC). Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 0,88 dan AUC 0,91. Penerapan SMOTE meningkatkan kemampuan model dalam mendeteksi sentimen positif sebagai kelas minoritas. Distribusi sentimen didominasi sentimen negatif lebih dari 87,5%. Penelitian ini memberikan kontribusi empiris terkait trade-off antara akurasi dan interpretabilitas dalam analisis sentimen berbahasa Indonesia.. Kebaruan penelitian ini terletak pada perbandingan komprehensif pendekatan machine learning dan rule-based  dipadukan dengan SMOTE pada analisis sentimen komentar YouTube berbahasa Indonesia terkait kebijakan MBG. Penelitian ini memberikan bukti empiris mengenai efektivitas penanganan ketidakseimbangan kelas dan menjadi referensi dalam pengembangan analisis sentimen untuk evaluasi kebijakan publik
PERBANDINGAN BI-LSTM DAN SVM UNTUK KLASIFIKASI MULTI-KELAS PERTANYAAN PENGGUNA PADA PLATFORM KONSULTASI KESEHATAN DARING BERBAHASA INDONESIA Shafana Dhiya Ulhaq Huwaida; Safitri Juanita
Biner : Jurnal Ilmiah Informatika dan Komputer Vol. 5 No. 2 (2026): Juli
Publisher : Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur'an

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/biner.v5i2.11489

Abstract

Pertumbuhan platform konsultasi kesehatan daring di Indonesia menghasilkan volume data teks yang semakin besar sehingga diperlukan sistem klasifikasi otomatis untuk mengategorikan pertanyaan pengguna secara efektif. Penelitian ini bertujuan membandingkan performa Bidirectional Long Short-Term Memory (Bi-LSTM) dan Support Vector Machine (SVM) pada klasifikasi multi-kelas pertanyaan pengguna berbahasa Indonesia. Dataset yang digunakan diekstrak dari 497.974 rekaman konsultasi platform Alodokter periode 2014–2021, dengan 10.659 data valid yang dikelompokkan ke dalam tujuh topik penyakit dengan frekuensi pertanyaan tertinggi. Penelitian ini menerapkan prapemrosesan teks serta tiga strategi penanganan class imbalance, yaitu class weight, oversampling, dan undersampling. Hasil eksperimen menunjukkan bahwa skenario class weight menghasilkan performa terbaik pada kedua model. Bi-LSTM memperoleh weighted F1-score sebesar 0,892 dan AUC sebesar 0,985, sedikit lebih tinggi dibandingkan SVM yang memperoleh weighted F1-score sebesar 0,891 dan AUC sebesar 0,984, sementara kedua model mencapai akurasi yang sama sebesar 0,890. Penelitian ini memberikan bukti empiris perbandingan langsung Bi-LSTM dan SVM pada pertanyaan pengguna platform konsultasi kesehatan daring berbahasa Indonesia, sekaligus mengevaluasi tiga strategi penanganan class imbalance dalam satu kerangka eksperimen yang masih terbatas pada penelitian sebelumnya.
EVALUASI PERFORMA TF-IDF, WORD2VEC, DAN INDOBERT PADA RETRIEVAL BERITA TOPIK ASTA CITA Ayu Lintang Pratiwi; Abdul Rezha Efrat Najaf; Reisa Permatasari
Biner : Jurnal Ilmiah Informatika dan Komputer Vol. 5 No. 2 (2026): Juli
Publisher : Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur'an

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/biner.v5i2.11549

Abstract

Peningkatan pemberitaan digital mengenai Asta Cita menghasilkan beragamnya informasi, sehingga diperlukan proses retrieval untuk menghasilkan dokumen yang relevan sesuai dengan kebutuhan pencarian. Perbedaan karakteristik model representasi teks TF-IDF, Word2Vec, IndoBERT menjadi dasar dari penelitian ini untuk mengevaluasi dan membandingkan performa dari ketiga model tersebut pada korpus berita Asta Cita. Data yang digunakan berasal dari web scraping dengan jumlah 1338 dokumen berita dan rentang tahun 2024-2026. Data dilakukan  tahapan preprocessing dan diperoleh 1311 dokumen berita. Dokumen direpresentasikan menggunakan TF-IDF, Word2Vec, dan IndoBERT. Penghitungan kemiripan menggunakan metrik cosine similarity. Evaluasi dilakukan dengan lima skenario yaitu, perbandingan model, variasi jenis kueri, variasi panjang kueri, variasi jumlah hasil pencarian, dan variasi ruang pencarian. Evaluasi diukur dengan metrik precision, recall, dan Mean Average Precision (MAP). Hasil evaluasi menunjukkan Word2Vec memperoleh rata-rata MAP tertinggi sebesar 0,859 dibandingkan dengan TF-IDF sebesar 0,682 dan IndoBERT sebesar 0,646. Berdasarkan hasil tersebut, Word2Vec lebih konsisten dibandingkan kedua model lainnya karena unggul pada sebagian besar skenario. Hasil evaluasi tersebut memberikan gambaran mengenai performa masing-masing model representasi teks pada berbagai kondisi retrieval dan dapat menjadi pertimbangan pemilihan model representasi teks untuk pengembangan sistem informasi retrieval.

Page 11 of 12 | Total Record : 116

 8   9   10   11   12 

Filter by Year

2022 2026


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