cover
Contact Name
Khairul Sabri
Contact Email
khairulsabri.tch@gmail.com
Phone
+6281228382419
Journal Mail Official
khairulsabri.tch@gmail.com
Editorial Address
Jalan Tuanku Tambusai, Kumu Desa Rambah, Pasir Pengaraian, Rambah Hilir, Kabupaten Rokan Hulu, Riau 28557 Telp. (021) 627393250 / 085278551394 Email : riaujocs@gmail.com
Location
Kab. rokan hulu,
Riau
INDONESIA
RJOCS (Riau Journal of Computer Science)
ISSN : 24776890     EISSN : 24600679     DOI : https://doi.org/10.30606/rjocs
Core Subject : Science,
Riau Journal of Computer Science diterbitkan dengan maksud untuk mengumpulkan artikel ilmiah dari peneliti, pemakalah, inovasi, prosiding seminar dan konsep ilmu pengetahuan dalam bidang ilmu komputer, informatika, sistem informasi atau yang relevan, kemudian mempublikasikan artikel tersebut. Riau Journal of Computer Science terbit 2 kali dalam setahun pada bulan januari dan juli. isi artikel yang dimuat bukan cerminan sikap dan/atau pandangan redaksi. Seluruh isi artikel menjadi tanggung jawab penulis Adapun ruang lingkup Jurnal Riau Journal Computer of Science (RJoCS) adalah: 1. Computer Architecture 2. Computer Network 3. Human—Computer Interaction 5. Virtual/Augmented Reality 6. Computer Security 7. Software Engineering (Software: Lifecycle, Management, Engineering Process, Engineering Tools and Methods) 8. Data Engineering (Data and Knowledge level Modeling, Information Management (DB) practices, Knowledge Based Management System, Knowledge Discovery in Data) 9. IT Governance 10. Networking Technology 11. Robotic Instrumentation 12. Information Search Engine 13. Multimedia 14. Mobile Processing 15. Natural Language Processing 16. Intelligence applications 17. Computer vision and speech understanding 18. Multimedia and cognitive informatics 19. Data mining and machine learning tools, heuristic and AI planning strategies and tools, computational theories of learning Artikel yang akan dimuat merupakan karya yang orisinil dan belum pernah dipublikasikan. Artikel yang masuk akan direview oleh tim reviewer yang berasal dari internal maupun eksternal Program studi S1 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Pasir Pengaraian
Articles 103 Documents
ASPECT-BASED SENTIMENT ANALYSIS ULASAN APLIKASI NO THANKS DI GOOGLE PLAY STORE MENGGUNAKAN SUPPORT VECTOR MACHINE Regita Cahya Saphira; Fenando Fenando; Reni Septiyanti
RJOCS (Riau Journal of Computer Science) Vol. 12 No. 2 (2026): RJOCS (Riau Journal of Computer Science)
Publisher : Fakultas Ilmu Komputer, Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjocs.v12i2.4964

Abstract

Aplikasi No Thanks digunakan sebagai alat bantu konsumen dalam mengidentifikasi produk yang terafiliasi dengan Israel. Peningkatan jumlah pengguna menghasilkan ribuan ulasan pada Google Play Store yang memuat berbagai opini mengenai fungsi, kemudahan penggunaan, dan keamanan aplikasi. Penelitian ini bertujuan menganalisis sentimen pengguna berdasarkan aspek pada ulasan aplikasi No Thanks menggunakan metode Aspect-Based Sentiment Analysis (ABSA) dan algoritma Support Vector Machine (SVM). Sebanyak 3.980 ulasan berbahasa Indonesia yang dikumpulkan dari Google Play Store periode 2023–2025 digunakan sebagai data penelitian. Tahapan penelitian meliputi text preprocessing, pelabelan sentimen menggunakan pendekatan lexicon-based, pemodelan topik menggunakan Latent Dirichlet Allocation (LDA), pembobotan TF-IDF, serta klasifikasi menggunakan SVM. Penanganan ketidakseimbangan kelas dilakukan melalui teknik resampling, termasuk SMOTE. Hasil penelitian menunjukkan bahwa model SVM dengan SMOTE menghasilkan accuracy sebesar 87,16%, precision sebesar 97%, recall sebesar 88%, F1-score sebesar 92%, dan AUC sebesar 0,876. Analisis berbasis aspek menunjukkan bahwa sentimen positif mendominasi ulasan pengguna, sedangkan sentimen negatif terutama berkaitan dengan akurasi database produk dan kinerja fitur pemindai barcode. Kontribusi penelitian ini terletak pada penerapan ABSA untuk menghubungkan polaritas sentimen dengan aspek kualitas aplikasi berdasarkan hasil pemodelan topik, sehingga menghasilkan informasi yang lebih spesifik mengenai aspek aplikasi yang memperoleh respons positif maupun negatif dari pengguna. Hasil penelitian dapat menjadi dasar evaluasi bagi pengembang dalam meningkatkan akurasi database produk serta keandalan fitur pemindai barcode.
Implementasi Knowledge Management Systems Berbasis Web untuk Teknisi dan Operasional Jaringan di SMK XYZ Palembang Leon Abdillah; Mezi Puspayani; Iin Seprina
RJOCS (Riau Journal of Computer Science) Vol. 12 No. 1 (2026): RJOCS (Riau Journal of Computer Science)
Publisher : Fakultas Ilmu Komputer, Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjocs.v12i1.4968

Abstract

This study discusses the design and implementation of a web-based Knowledge Management System (KMS) customized for technicians and network operations workers at SMK XYZ Palembang. The system tackles difficulties linked to fragmented technical knowledge, delayed problem resolution, and limited access to institutional expertise by offering a consolidated, searchable archive of articles, and troubleshooting instructions. Core features include a responsive site with usage data, a discussion forum for asynchronous peer support, and a Knowledge Expert page where employees, administrators, and subject-matter experts submit and curate material. Development followed a disciplined requirements-analysis and UML-based modeling methodology, stressing usability, role-based access, and content control. Preliminary user feedback indicates that the KMS enhances information accessibility, eliminates duplicate questions, and develops a community of practice among technical professionals. The findings are consistent with prior research suggesting that well-designed KMS deployments improve cooperation, operational efficiency, and knowledge retention in vocational and higher-education settings. Future work will combine AI-powered search, mobile optimization, and advanced analytics to maintain engagement and continually improve content quality.
ANALISIS PERFORMA ARSITEKTUR ALEXNET DAN VGG16 PADA DATASET PRIMER CITRA LAPANGAN UNTUK DETEKSI KERUSAKAN PANEL SURYA Ninuk Wiliani; Agung Saputra; Iman Paryudi
RJOCS (Riau Journal of Computer Science) Vol. 12 No. 2 (2026): RJOCS (Riau Journal of Computer Science)
Publisher : Fakultas Ilmu Komputer, Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjocs.v12i2.4979

Abstract

: Panel surya (photovoltaic) rentan mengalami penurunan efisiensi akibat kerusakan fisik permukaan seperti retak (crack) dan goresan (scratch). Penggunaan Deep Learning seperti AlexNet dan VGG16 merupakan pendekatan umum dalam visi komputer, namun evaluasinya pada kondisi citra lapangan (field condition) yang memiliki variasi pencahayaan dan latar belakang kompleks masih terbatas. Penelitian ini bertujuan untuk menguji dan membandingkan performa arsitektur AlexNet dan VGG16 dalam mengklasifikasikan kerusakan panel surya. Keterbaruan (novelty) penelitian ini bertumpu pada penggunaan dataset primer sebanyak 1.000 citra citra riil lapangan (500 crack dan 500 scratch) yang dilatih dari awal (training from scratch), serta penekanan evaluasi pada kapasitas pemisahan batas kelas (class separability) berbasis Area Under Curve (AUC) dan analisis kedalaman lapisan konvolusi. Kedua model dilatih menggunakan optimasi Adam (learning rate 0,001, batch size 16) dengan mekanisme Early Stopping. Hasil eksperimen menunjukkan bahwa meskipun AlexNet dan VGG16 memperoleh akurasi yang relatif berdekatan yaitu sebesar 88,93% dan 89,57% (selisih 0,64%), VGG16 menunjukkan keunggulan yang jauh lebih signifikan pada skor AUC yaitu 0,90 (Excellent Classification) dibandingkan AlexNet yang hanya sebesar 0,68 (Poor Classification). Kedalaman 13 convolutional layer berfilter kecil (3x3) pada VGG16 terbukti lebih presisi dalam mengekstrak fitur garis halus retakan tanpa terpengaruh noise lapangan dibandingkan filter besar pada AlexNet.

Page 11 of 11 | Total Record : 103