cover
Contact Name
Yusmaniarti
Contact Email
yusmaniarti8@gmail.com
Phone
+6281368411554
Journal Mail Official
rsit.ppmi@gmail.com
Editorial Address
Kota Palembang
Location
Kota palembang,
Sumatera selatan
INDONESIA
Jurnal Rekayasa Sistem Informasi dan Teknologi
ISSN : -     EISSN : 3025888X     DOI : https://doi.org/10.59407/jrsit.v1i2
Core Subject : Science,
Jurnal Rekayasa Sistem Informasi dan Teknologi (JRSIT) adalah jurnal nasional sebagai media kajian ilmiah hasil penelitian, pemikiran, dan kajian kritis-analitik mengenai penelitian di bidang ilmu dan teknologi komputer, termasuk Teknik Sistem, Teknik Informatika, Teknologi Informasi, Informatika Manajemen, dan Sistem Informasi. Jurnal Rekayasa Sistem Informasi dan Teknologi (JRSIT) diterbitkan oleh Yayasan Nuraini Ibrahim Mandiri. Dipublikasikan 4 edisi setiap tahun yaitu : Febuari, Mei, Agustus, November. Semua penerimaan naskah akan diproses secara double blind review oleh mitra bestari. Naskah harus dimasukkan dalam BAHASA INDONESIA atau BAHASA INGGRIS. e-ISSN : 3025-888X. DOI Prefix : 10.59407
Articles 230 Documents
DAMPAK GENERATIF AI PADA PASAR KERJA IT DENGAN DEEP LEARNING: ANALISIS KOMPARATIF BERT DAN BILSTM Asep Surahman Sulaeman; Aswan Supriyadi Sunge
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 3 No. 4 (2026): Mei
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v3i4.4016

Abstract

Difusi kecerdasan buatan (AI) secara fundamental merestrukturisasi pasar kerja teknologi informasi (TI) global. Makalah ini menyajikan kerangka deep learning adaptif untuk klasifikasi pekerjaan TI menggunakan dataset multi-sumber selama lima tahun (April 2021–April 2026). Proses reduksi data secara sistematis menyaring 780.000 data mentah menjadi 20.000 catatan representatif dan selanjutnya menjadi 4.879 sampel terdeduplikasi dengan validitas temporal bulanan yang terverifikasi. Kami membandingkan performa jaringan Bidirectional Long Short-Term Memory (BiLSTM) dengan Deep Neural Network (DNN) berbasis Sentence-BERT. Hasil eksperimen menunjukkan DNN+BERT mencapai akurasi 87,8±0,9%, mengungguli BiLSTM (80,3±1,2%) dengan signifikansi statistik (McNemar χ²=41,3, p<0,001). Penelitian ini juga mengusulkan metrik AI Disruption Score (ADS) untuk mengkuantifikasi keterpaparan AI di tingkat pekerjaan, yang berhasil memetakan enam klaster pekerjaan melalui K-Means, dengan nilai disrupsi antara 0,02 (DevOps) hingga 0,58 (Riset AI/ML). Meskipun metrik ADS ini masih memerlukan validasi eksternal lebih lanjut terhadap data pasar industri yang lebih luas, secara praktis, temuan ini memberikan panduan strategis bagi praktisi HR dalam perencanaan tenaga kerja dan bagi institusi pendidikan dalam reorientasi kurikulum TI yang adaptif.
Implementasi Sistem Pendukung Keputusan untuk Penentuan Pola Belajar Mahasiswa Berbasis Web Menggunakan Metode Simple Additive Weighting (SAW) Elvi Dewi Purnama Sari Simanjuntak; Darwis Robinson Manalu
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 4 No. 1 (2026): Agustus
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v4i1.4082

Abstract

Sistem Pendukung Keputusan (SPK) merupakan solusi berbasis komputer yang membantu pengambilan keputusan pada permasalahan semi-terstruktur, termasuk penentuan pola belajar mahasiswa yang selama ini masih dilakukan secara subjektif. Penelitian ini mengimplementasikan metode Simple Additive Weighting (SAW) ke dalam sistem berbasis web untuk menentukan pola belajar 98 mahasiswa aktif Program Studi Sistem Informasi Universitas Methodist Indonesia (Semester 2, 4, dan 6) berdasarkan tiga kriteria: Tingkat Konsentrasi (C1, bobot 40%, benefit), Waktu Luang Belajar (C2, bobot 35%, benefit), dan Tingkat Kelelahan (C3, bobot 25%, cost). Data kuesioner Skala Likert (1–5) diuji validitasnya menggunakan korelasi item-total dan reliabilitasnya menggunakan Cronbach’s Alpha, menunjukkan seluruh butir valid (r hitung > r tabel = 0,199) dengan reliabilitas baik pada kriteria Waktu Luang (α = 0,822) dan Kelelahan (α = 0,800), serta cukup pada Konsentrasi (α = 0,502). Tahapan SAW meliputi pembentukan matriks keputusan, normalisasi, dan perhitungan nilai preferensi (Vi); sistem diverifikasi melalui Black-Box Testing (Equivalence Partitioning) dan dilengkapi instrumen System Usability Scale (SUS) untuk pengujian lanjutan. Hasil menunjukkan 55 mahasiswa (56,12%) berkategori Baik dan 43 mahasiswa (43,88%) berkategori Cukup, dengan nilai SAW tertinggi diraih Cory Debora (Vi = 0,8708) dari Semester 4. Kontribusi utama penelitian ini adalah SPK berbasis web yang mengintegrasikan tiga kriteria perilaku belajar secara real-time dengan instrumen teruji validitas dan reliabilitasnya, sehingga rekomendasi pola belajar yang dihasilkan lebih objektif, transparan, cepat, dan dapat dipertanggungjawabkan secara kuantitatif.
Deteksi Website Phishing Menggunakan Hybrid feature URL dan Analisis Konten HTML dengan Ensemble Machine learning M Maulana Fathul Muin; Bagus Satrio Waluyo Poetro
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 4 No. 1 (2026): Agustus
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v4i1.4517

Abstract

Penelitian ini mengusulkan pengembangan System for Ensemble Phishing & HTML Intelligent Analysis (SEPHIA), sebuah sistem deteksi website phishing berbasis  ekstraksi fitur hibrida. Pendekatan ini mengombinasikan  16 fitur leksikal URL dan 14 fitur perilaku struktural Document Object Model (DOM) HTML. Proses klasifikasi dilakukan menggunakan algoritma Ensemble Machine Learning ( Random Forest dan Extreme Gradient Boosting / XGBoost) dengan mekanisme Soft Voting untuk menangani ketidakseimbangan data. Model dilatih menggunakan dataset gabungan dari repositori OpenPhish dan Majestic Million  sejumlah 5.000 sampel data. Hasil evaluasi kinerja pada 1.000 data uji (498 Legitimate dan 502 Phishing) menunjukkan model ensemble ini mencapai tingkat  Akurasi 99,10%, Presisi 99,60%, Sensitivitas (Recall) 98,61%, dan F1-Score 0,991. Integrasi lapisan Rule-Based (Protokol Veto Merek) dan mekanisme Heuristic Fallback pada antarmuka sistem terbukti secara signifikan memblokir serangan Typosquatting dan tautan tidak aktif..
Model Aturan Asosiasi Apriori FP-Growth Kosmetik Elvi Dewi Purnama Sari Simanjuntak; Rikshintia Panjaitan; Ester Agnesya Nainggolan; Agung Permana Parangin-angin; Indra M Sarkis S
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 4 No. 1 (2026): Agustus
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v4i1.4529

Abstract

Pertumbuhan industri kosmetik di Indonesia yang semakin pesat meningkatkan volume dan variasi transaksi penjualan, sehingga pelaku usaha ritel kosmetik dituntut memahami pola pembelian konsumen guna menyusun rekomendasi produk, strategi cross-selling, serta penataan rak yang tepat sasaran. Penelitian ini menerapkan Market Basket Analysis melalui Algoritma Apriori dan FP-Growth untuk membentuk Association Rule dari 355 transaksi penjualan 13 jenis produk kosmetik. Nilai minimum support 5% dan minimum confidence 30% dipilih agar kombinasi item berfrekuensi sedang tetap tercakup dalam analisis, namun pola yang bersifat kebetulan dapat dihindari. Kedua algoritma menghasilkan 89 frequent itemset dan 21 Association Rule yang identik, menegaskan bahwa perbedaan keduanya hanya terletak pada strategi pencarian, bukan pada akurasi maupun kelengkapan hasil. Pola asosiasi paling signifikan (lift ratio > 1) ditemukan pada pasangan Toner dengan Sunscreen, Eyeliner dengan Powder, Toner dengan Foundation, serta Foundation dengan Mascara, yang menunjukkan keterkaitan pembelian positif antar produk skincare maupun makeup. Aturan-aturan tersebut diterjemahkan menjadi empat paket bundling siap terap, yaitu Rutinitas Skincare Dasar, Base Makeup Wajah, Makeup Mata & Wajah, serta Lip & Glow. Secara manajerial, keempat paket bundling ini dapat dimanfaatkan pelaku usaha ritel kosmetik untuk mendukung strategi cross-selling, efisiensi penataan rak, dan peningkatan nilai transaksi rata-rata pelanggan.
Integrasi Long Short-Term Memory dan Large Language Model untuk Prediksi Curah Hujan dan Mitigasi Kekeringan Heru Hidayatulloh; Sri Mulyono; Luluk Indah Rahmawati
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 4 No. 1 (2026): Agustus
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v4i1.4455

Abstract

Kekeringan merupakan salah satu bencana hidrometeorologi yang berkaitan dengan rendahnya curah hujan dan dapat berdampak pada ketersediaan air, pertanian, serta aktivitas masyarakat. Penelitian ini bertujuan mengembangkan sistem prediksi curah hujan menggunakan Long Short-Term Memory (LSTM) yang diintegrasikan dengan Large Language Model (LLM) melalui Gemini AI untuk mendukung interpretasi kondisi curah hujan dan mitigasi risiko kekeringan di Kabupaten Kendal. Data yang digunakan berupa 447 data historis curah hujan dasarian dari BMKG dengan rentang nilai curah hujan historis sebesar 0–[nilai maksimum] mm. Tahapan penelitian meliputi pembagian data secara kronologis menjadi 80% training, 10% validation, dan 10% testing, normalisasi Min-Max Scaling, pembentukan sliding window 24 periode, pelatihan LSTM, serta iterative forecasting selama 36 periode dasarian. Hasil evaluasi menghasilkan MAE sebesar 20,8357 mm, MSE sebesar 736,7793 mm², RMSE sebesar 27,1437 mm, dan R² sebesar 0,7339. Penentuan potensi risiko kekeringan didasarkan pada kategori curah hujan rendah menggunakan threshold yang ditetapkan dalam penelitian dan tidak menggunakan indeks kekeringan meteorologis seperti SPI atau SPEI. Hasil prediksi kemudian diklasifikasikan berdasarkan threshold tersebut sebelum dikirimkan ke Gemini AI. Gemini AI berperan sebagai komponen interpretasi yang mengeksekusi prompt engineering berbasis hasil klasifikasi untuk menghasilkan informasi dan rekomendasi mitigasi dalam bahasa alami, bukan sebagai penentu utama risiko. Seluruh pipeline prediksi, klasifikasi, dan interpretasi berhasil diimplementasikan dalam aplikasi web berbasis Streamlit. Sistem memiliki keterbatasan berupa potensi akumulasi galat pada iterative forecasting jangka panjang dan belum mempertimbangkan indeks kekeringan meteorologis.
Implementasi Password-Based Scrambling dan Metode Least Significant Bit (LSB) untuk Otentikasi Keaslian Citra Digital Angeli Khairunissa Aulia Rahma; Bagus Satrio Waluyo Poetro
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 4 No. 1 (2026): Agustus
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v4i1.4565

Abstract

Kemudahan distribusi citra dokumentasi melalui kanal digital meningkatkan risiko pengunggahan ulang tanpa identitas sumber serta manipulasi yang sulit dikenali secara visual. Kondisi tersebut menyebabkan penerima sulit memastikan apakah citra masih sama dengan citra yang pertama kali diterbitkan. Penelitian ini bertujuan menerapkan kombinasi Password-Based Scrambling dan Least Significant Bit (LSB) dengan pendekatan fragile watermarking untuk membantu autentikasi citra digital. Password diproses menggunakan SHA-256 untuk menghasilkan seed bagi pseudo-random number generator (PRNG). Urutan deterministik yang dihasilkan PRNG digunakan pada Fisher-Yates Shuffle untuk mengacak piksel watermark dan menentukan lokasi penyisipan pada kanal LSB. Pengujian dilakukan menggunakan 12 citra sampul RGB dan satu watermark grayscale berukuran 320 × 320 piksel pada kondisi tanpa manipulasi serta setelah kompresi JPEG, cropping, dan resizing. Proses penyisipan menghasilkan rata-rata MSE 0,0635, PSNR 62,78 dB, dan SSIM 0,9995, yang menunjukkan perubahan visual sangat kecil. Tanpa manipulasi, watermark berhasil direkonstruksi dengan BER 0 dan NC 1. Setelah manipulasi, rata-rata BER meningkat menjadi 0,4974 dan NC menurun menjadi 0,5941 sehingga watermark tidak dapat dikenali. Pada kompresi, PSNR tetap lebih dari 40 dB meskipun ekstraksi watermark gagal. Hasil tersebut menunjukkan bahwa sistem sensitif terhadap seluruh manipulasi yang diuji, tetapi belum dapat menentukan jenis dan lokasi manipulasi secara otomatis.
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SUPPLIER PADA TOKO FOTOKOPI ANDALAS MENGGUNAKAN METODE SMART DAN SAW Andika Marsal Fadillah; Akbar Muchbarak; Achmad Sarwandianto
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 4 No. 1 (2026): Agustus
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v4i1.4624

Abstract

Pemilihan supplier memerlukan penilaian yang mampu menempatkan kepentingan setiap kriteria secara proporsional dan membandingkan kinerja supplier dengan arah atribut yang berbeda. Penelitian ini memadukan Simple Multi-Attribute Rating Technique (SMART) untuk membentuk bobot delapan kriteria dan Simple Additive Weighting (SAW) untuk menormalisasi serta memeringkat 100 alternatif supplier. Pemeriksaan dilakukan dengan menghitung ulang nilai preferensi, memisahkan sumbangan atribut biaya dan manfaat, serta mengubah setiap bobot sebesar 20% secara bergantian dalam 16 skenario. Hasil perhitungan menunjukkan bahwa bobot SMART dapat digunakan langsung dalam agregasi SAW. Peringkat pertama tidak berubah pada 12 skenario, sedangkan korelasi urutan supplier pada seluruh skenario tetap lebih dari 0,99. Hasil tersebut menunjukkan bahwa susunan peringkat relatif stabil, meskipun dua supplier teratas masih dapat bertukar posisi ketika prioritas tertentu berubah. Dengan hasil ini, perubahan urutan supplier dapat dipahami dari perubahan bobot dan nilai pada masing-masing kriteria..
PEMBANGKITAN POPULASI MIKRO SINTETIS BERBASIS CTGAN DAN IPF UNTUK DATA KEPENDUDUKAN KOTA CIREBON Achmad Syaiful Hidayat; Marsani Asfi; Petrus Sokibi
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 4 No. 1 (2026): Agustus
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v4i1.4471

Abstract

Keterbatasan akses terhadap data mikro kependudukan di Indonesia akibat regulasi perlindungan data pribadi menyulitkan analisis level individu, sementara data agregat publik berisiko kehilangan variasi antarindividu dan menimbulkan ecological fallacy. Penelitian ini mengusulkan pipeline pembangkitan populasi sintetis dengan studi kasus Disdukcapil Kota Cirebon yang mengintegrasikan Conditional Tabular Generative Adversarial Network (CTGAN) dengan Iterative Proportional Fitting (IPF). Indonesia Family Life Survey 5 (IFLS5) digunakan sebagai data mikro referensi berskala nasional untuk mempelajari pola hubungan antarvariabel demografis, dengan keterbatasan bahwa distribusinya tidak secara langsung merepresentasikan karakteristik lokal Kota Cirebon. Secara teoritis, struktur hubungan antarvariabel demografis pada data mikro cenderung lebih stabil lintas wilayah dibandingkan distribusi marginalnya, sehingga IFLS5 tetap dapat menjadi benih awal yang valid sebelum disesuaikan melalui constraint agregat Kota Cirebon pada tahap kalibrasi IPF. Dataset IFLS5 sebanyak 89.382 baris hasil penggabungan disaring menjadi 21.871 baris untuk melatih CTGAN, kemudian benih populasi sintetis dikalibrasi menggunakan data agregat Disdukcapil dan diintegerkan melalui metode Truncate-Replicate-Sample (TRS). Model CTGAN terbaik dipilih pada epoch 200 dari enam variasi epoch yang diuji, berdasarkan keseimbangan kemiripan distribusi dan preservasi hubungan antarvariabel. Setelah kalibrasi IPF, populasi sintetis akhir memperoleh rata-rata Jensen-Shannon Similarity (JSS) 0,9856, Mean Absolute Error (MAE) 0,0062, dan MAE matriks Cramer's V 0,0279, sementara seluruh constraint menghasilkan Weighted Absolute Percentage Error (WAPE) di bawah 10%. Hasil tersebut menunjukkan CTGAN dan IPF saling melengkapi dalam membentuk populasi sintetis yang mempertahankan struktur mikro data referensi sekaligus menyesuaikan distribusi agregat wilayah target, dengan tetap mempertimbangkan keterbatasan representasi lokal dan risiko privasi pada kombinasi atribut bergranularitas tinggi.
NAMED ENTITY RECOGNITION DAN SEQUENCE PAIR CLASSIFICATION BERBASIS INDOBERT UNTUK EKSTRAKSI DAN REKONSILIASI DATA LOGISTIK Alif Haikal; Jafar Shadiq
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 4 No. 1 (2026): Agustus
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v4i1.4427

Abstract

PT. Rafay Anugrah Logistik mengandalkan WhatsApp untuk koordinasi pesanan armada harian, namun ekstraksi instruksi pesanan multi-unit ke spreadsheet serta pencocokan pesan susulan dengan pesanan induknya masih dilakukan manual, berisiko menimbulkan penumpukan pekerjaan seiring meningkatnya volume pesanan. Penelitian ini mengusulkan pipeline deep learning hibrida menggunakan dua model fine-tuning IndoBERT. Model pertama, berbasis IndoBERT-Base-Uncased, menerapkan Named Entity Recognition dengan skema BIO tagging untuk mengekstraksi sembilan atribut inti pesanan dari teks mentah. Model kedua, berbasis IndoBERT-Base-p2, menerapkan Sequence Pair Classification untuk menentukan keterkaitan pesan susulan, didukung mekanisme rule-based post-processing untuk normalisasi keluaran. Pendekatan fine-tuning penuh diterapkan untuk memproses pola bahasa informal pada pesanan logistik. Uji banding pada tahap validasi yang menerapkan skema isolasi data (split-before-augmentation) untuk meminimalisasi overfitting, menunjukkan perubahan F1-Score makro model Named Entity Recognition dari 83,3% menjadi 100,0%, dan model Sequence Pair Classification dari 68,5% menjadi 100,0%. Pencapaian metrik tersebut berkaitan erat dengan kapasitas arsitektur dalam mengenali batasan variasi pada dataset validasi sintetis. Oleh karena itu, hasil penelitian ini diposisikan sebagai bukti kelayakan awal (proof of concept). Sebagai tahapan selanjutnya, evaluasi menggunakan data operasional murni berskala besar diperlukan untuk memvalidasi ketahanan model pada kondisi nyata
Perbandingan Algoritma Decision Tree dan Random Forest dengan Hyperparameter Tuning untuk Prediksi Kelayakan Mahasiswa Penerima Beasiswa Bentar Candra Perdana; Nikko Restian Putra Wardoyo; Elis Anita farida
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 4 No. 1 (2026): Agustus
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v4i1.4552

Abstract

Penentuan kelayakan mahasiswa penerima beasiswa merupakan salah satu proses pengambilan keputusan yang membutuhkan pengolahan data secara sistematis agar bantuan dapat diberikan kepada mahasiswa yang sesuai dengan kriteria. Pemanfaatan data mining dan machine learning dapat digunakan untuk menemukan pola dari data mahasiswa dan membangun model prediksi kelayakan penerima beasiswa. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Random Forest dalam memprediksi kelayakan mahasiswa penerima beasiswa serta menganalisis pengaruh hyperparameter tuning terhadap performa kedua algoritma. Dataset yang digunakan terdiri atas karakteristik mahasiswa dan kondisi sosial ekonomi keluarga, meliputi jenis kelamin, alamat, program studi yang dipilih, alat transportasi, penghasilan ayah, dan pekerjaan ayah, dengan status layak atau tidak layak menerima beasiswa sebagai variabel target. Tahapan penelitian menggunakan pendekatan data mining yang meliputi data understanding, data preparation, exploratory data analysis, pembagian data, pemodelan, hyperparameter tuning, dan evaluasi. Empat model dibandingkan, yaitu Decision Tree tanpa tuning, Decision Tree dengan hyperparameter tuning, Random Forest tanpa tuning, dan Random Forest dengan hyperparameter tuning. Proses optimasi dilakukan menggunakan pencarian kombinasi hyperparameter dengan cross-validation. Evaluasi model menggunakan accuracy, precision, recall, dan F1-score, serta analisis confusion matrix. Hasil penelitan membuktikan bahwa kedua Algoritma Random Forest dan Decision Tree dengan hyperparameter tuning dapat meingkatkan akurasinya sehingga memberikan performa terbaik. Akan tetapi algoritma random forest dengan hyperparamater tuning menjadi yang paling tinggi nilai akurasinya yaitu sebesar 87.38% dengan F1-score 84%, Precision 85% dan recall 87% dalam memprediksi kelayakan mahasiswa penerima beasiswa serta mengidentifikasi karakteristik yang paling berkontribusi terhadap hasil klasifikasi