cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Taufik Hidayat
Contact Email
kometssultan@gmail.com
Phone
-
Journal Mail Official
kometssultan@gmail.com
Editorial Address
Jl. Nyi Ageng Serang, Kota Baru Keandra, Cirebon, Indonesia
Location
Kab. cirebon,
Jawa barat
INDONESIA
Jurnal Komputer dan Elektro Sains
Published by Sultan Publisher
ISSN : -     EISSN : 30218462     DOI : https://doi.org/10.58291/komets
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering
Jurnal Komputer dan Elektro Sains (Komets) is published by Sultan Publisher, Indonesia. It is acedemic, online, open access, peer reviewed. It aims to publish orginal, theorical and practical in Computer & Electircal Science. Jurnal Komputer dan Elektro Sains (Komets) is published annually 2 time every March and September. Jurnal Komputer dan Elektro Sains is a peer-reviewed international journal that publishes high-quality research in computational science, artificial intelligence, cognitive engineering, and emerging digital technologies. The journal provides a platform for researchers, academics, and practitioners to disseminate innovative theories, methodologies, algorithms, and engineering applications that advance intelligent computing and digital innovation. It welcomes original research articles and review papers covering a broad range of topics, including artificial intelligence, machine learning, deep learning, data science, computer vision, natural language processing, intelligent systems, cognitive computing, Internet of Things (IoT), cybersecurity, cloud computing, edge computing, robotics, software engineering, computational modeling, decision support systems, human–computer interaction, and other interdisciplinary areas related to computer, electrical, and cognitive engineering. Published twice a year in March and September by Sultan Publisher, the journal is committed to disseminating rigorous, innovative, and impactful research that addresses contemporary scientific and industrial challenges through advances in computational intelligence and engineering technologies.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 53 Documents
 2   3   4   5   6 
Fusi Metadata dan Masked Mean–Max Pooling dengan DeBERTa-v3 untuk Klasifikasi Tweet Bencana Budi Mukhamad Mulyo; Hazna At Thooriqoh; Ardhon Rakhmadi; Devi Ambarwati Puspitasari; Bayu Permana Sukma
Jurnal Komputer dan Elektro Sains Vol. 4 No. 2 (2026): Komets
Publisher : Sultan Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58291/komets.v4i2.662

Abstract

Klasifikasi tweet terkait bencana merupakan permasalahan penting dalam pemrosesan bahasa alami karena teks media sosial cenderung pendek, tidak baku, dan sering ambigu. Namun, pemanfaatan metadata dan optimasi ambang keputusan secara terpadu pada model transformer masih terbatas. Penelitian ini mengembangkan model klasifikasi biner dengan mengintegrasikan representasi kontekstual DeBERTa-v3, kata kunci, lokasi, dan metadata numerik tweet. Dataset terdiri atas 7.613 data latih dan 3.263 data uji. Teks dibentuk menjadi masukan terstruktur menggunakan penanda kata kunci, lokasi, dan isi tweet. Representasi token dipadatkan melalui masked mean–max pooling, kemudian digabungkan dengan fitur numerik. Model dilatih menggunakan stratified cross-validation, multi-sample dropout, dan optimasi threshold berdasarkan probabilitas out-of-fold. Kebaruan penelitian terletak pada demonstrasi empiris kontribusi metadata fusion, masked mean–max pooling, dan optimasi threshold berbasis out-of-fold dalam melengkapi representasi kontekstual DeBERTa-v3, yang diperkuat melalui evaluasi ablation terkontrol. Pengujian terhadap 15 konfigurasi menunjukkan bahwa DeBERTa-v3 metadata fusion dengan 3-fold out-of-fold ensemble menghasilkan skor F1 tertinggi sebesar 0,84063, melampaui DeBERTa-v3 metadata fusion dengan holdout sebesar 0,83971, DeBERTa-v3 mean–max sebesar 0,83695, DistilBERT sebesar 0,83450, dan GloVe–SVM sebesar 0,81581. Hasil ini menunjukkan bahwa integrasi metadata dan penentuan threshold berbasis out-of-fold efektif meningkatkan kinerja klasifikasi. Penelitian ini berpotensi mendukung penyaringan informasi bencana dari media sosial secara lebih akurat.
Implementasi Adaptive Neuro Fuzzy Inference System (ANFIS) Untuk Prediksi Konsumsi Energi Listrik Rumah Tangga Yogi Ramadani; Desmira Desmira; Didik Aribowo
Jurnal Komputer dan Elektro Sains Vol. 4 No. 2 (2026): Komets
Publisher : Sultan Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58291/komets.v4i2.669

Abstract

Konsumsi energi listrik pada rumah tangga terus mengalami peningkatan seiring bertambahnya penggunaan peralatan elektronik dalam aktivitas sehari-hari. Kondisi tersebut mendorong perlunya suatu metode yang mampu memperkirakan kebutuhan energi listrik secara akurat sehingga penggunaan energi dapat dikelola dengan lebih efisien. Penelitian ini bertujuan menerapkan metode Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk memprediksi konsumsi energi listrik rumah tangga berdasarkan data hasil pemantauan menggunakan prototipe. Pengambilan data dilakukan selama 30 hari melalui sistem monitoring berbasis Arduino yang terintegrasi dengan sensor PZEM-004T, sensor DHT, Python, dan web sehingga mampu merekam parameter tegangan, arus, daya, energi listrik, suhu, serta kelembapan secara berkala. Data yang diperoleh kemudian melalui tahapan pembersihan, normalisasi menggunakan min-max scaling, pembagian data menjadi data pelatihan sebesar 70% dan data pengujian sebesar 30%, dilanjutkan dengan proses pembentukan serta pelatihan model ANFIS menggunakan fungsi keanggotaan segitiga. Tingkat kinerja model dianalisis menggunakan nilai Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil pengujian menunjukkan bahwa model mampu mengikuti pola perubahan konsumsi energi listrik dengan tingkat kesalahan yang relatif rendah. Nilai MAE yang diperoleh sebesar 3,64, RMSE sebesar 5,64, dan MAPE sebesar 5,90%, sehingga tingkat akurasi model termasuk dalam kategori sangat baik. Berdasarkan hasil tersebut, metode ANFIS dinilai mampu memberikan prediksi konsumsi energi listrik rumah tangga secara andal serta berpotensi mendukung upaya penghematan dan pengelolaan energi listrik yang lebih efektif.
Integrasi Model Zero-Shot Classification Pada Sistem Tata Kelola Produk Toko Online Alfamidi Syafira Amalia; Suendri Suendri
Jurnal Komputer dan Elektro Sains Vol. 4 No. 2 (2026): Komets
Publisher : Sultan Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58291/komets.v4i2.699

Abstract

Penelitian ini bertujuan mengintegrasikan metode Zero-Shot Classification ke dalam sistem tata kelola produk toko online PT Midi Utama Indonesia Tbk Cabang Medan untuk mendukung pengelompokan produk berdasarkan kategori yang tersedia. Data penelitian terdiri atas 90 produk dari berbagai kategori, dengan nama dan deskripsi produk sebagai masukan klasifikasi. Model BART Large MNLI digunakan melalui API untuk menentukan kategori berdasarkan tingkat kesesuaian antara informasi produk dan candidate label. Kategori dengan skor tertinggi ditetapkan sebagai hasil prediksi dan dibandingkan dengan kategori acuan. Hasil pengujian menunjukkan bahwa 35 dari 90 data sesuai dengan kategori acuan, sedangkan 55 data tidak sesuai, sehingga diperoleh accuracy sebesar 38,89%. Pengukuran waktu pemrosesan menunjukkan rata-rata waktu 2,40 detik per data. Pengujian fleksibilitas kategori menunjukkan bahwa kategori baru dapat ditambahkan sebagai candidate label tanpa melakukan retraining model. Hasil penelitian menunjukkan bahwa integrasi Zero-Shot Classification dapat digunakan untuk klasifikasi produk berbasis informasi tekstual, meskipun tingkat ketepatan prediksi pada data pengujian masih terbatas.

Page 6 of 6 | Total Record : 53

 2   3   4   5   6 

Filter by Year

2023 2026


Reset
Filter By Issues
All Issue Vol. 4 No. 2 (2026): Komets Vol. 4 No. 1 (2026): komets Vol. 3 No. 2 (2025): komets Vol. 3 No. 1 (2025): komets Vol. 2 No. 2 (2024): Komets Vol. 2 No. 1 (2024): Komets Vol. 1 No. 2 (2023): Komets Vol. 1 No. 1 (2023): Komets