cover
Contact Name
Adhie Thyo Priandika
Contact Email
techcartpress@gmail.com
Phone
+6282180318941
Journal Mail Official
itsecs.techcartpress@gmail.com
Editorial Address
Jalan Gatot Subroto No 47 LK I, Desa/Kelurahan Tanjunggading, Kec. Kedamaian, Kota Bandar Lampung, Provinsi Lampung, Indonesia
Location
Kota bandar lampung,
Lampung
INDONESIA
Journal of Information Technology, Software Engineering and Computer Science
Published by Tech Cart Press
ISSN : 29620538     EISSN : 29620635     DOI : doi.org/10.58602/itsecs
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) is a peer-review journal focusing on Information Technology, Software Engineering, and Computer Science issues. Journal of Information Technology, Software Engineering and Computer Science (ITSECS) invites academics and researchers who do original research in information technology, software engineering, and computer science. Journal of Information Technology, Software Engineering and Computer Science (ITSECS) are published by Tech Cart Press in January, April, July, and October every year. Journal ITSECS: Information Technology, Software Engineering, and Computer Science accept articles in Bahasa Indonesia and English.
Articles 74 Documents
Segmentasi Risiko dan Alokasi Dukungan Kesejahteraan Mahasiswa menggunakan K-Means Clustering dan CRITIC–COPRAS Asyahri Hadi Nasyuha; Muafi Muafi
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 4 No. 1 (2025): Volume 4 Number 1 January 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v4i1.394

Abstract

Beyond identifying students at risk of academic burnout, higher education institutions also need an evidence-based mechanism to segment the student population and allocate limited wellbeing-support resources proportionally. This study proposes a decision support framework combining K-Means clustering with the CRiteria Importance Through Intercriteria Correlation (CRITIC) objective weighting method and the COmplex PRoportional ASsessment (COPRAS) ranking method to segment students and prioritize wellbeing-support allocation. Using a dataset of 60 students with eight actionable psychosocial and behavioral indicators, K-Means partitioned students into three risk-based segments (High/Moderate/Low), evaluated via silhouette scores (0.133-0.163 for k = 2-5) and set at k = 3 to align with the institution's three-tier intervention scheme. CRITIC derived data-driven, correlation-based criteria weights without expert elicitation, unlike preference-based weighting. These weights fed into COPRAS to compute a relative significance score (Qi) and rank students by support-allocation priority. The High-risk cluster captured four of five dataset-labelled High-burnout students (80%) and showed the highest mean Burnout Risk Score (41.60) versus Moderate-risk (37.03) and Low-risk (30.09) clusters. The COPRAS ranking correlated significantly with independent burnout indicators (Spearman's rho = 0.706 with Burnout Risk Score, 0.749 with Support Need, and 0.529 with Intervention Urgency, all p < 0.001), with mean ranks decreasing monotonically across Burnout_Level categories (High = 7.0, Moderate = 23.3, Low = 43.1, out of 60). These findings indicate that unsupervised segmentation combined with objective multi-criteria weighting can provide a transparent, replicable, resource-efficient basis for allocating student wellbeing support, complementing supervised prediction-based approaches used in prior studies.
Pemodelan keputusan jaringan analytic network process untuk risiko, daya saing, dan keberlanjutan industri hilir sawit Wiky Sabardi; Ryan Pramanda; Novianda; Asyahri Hadi Nasyuha
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 3 No. 4 (2025): Volume 3 Number 4 October 2025
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v3i4.399

Abstract

Ekosistem agroindustri hilir dan manufaktur ditandai oleh saling ketergantungan yang kompleks serta adanya mekanisme umpan balik yang melibatkan variabel operasional, keandalan rantai nilai, mitigasi risiko kegagalan aset proses termal, daya saing pasar global, dan kepatuhan terhadap aspek keberlanjutan (ESG/RSPO/ISPO). Pendekatan hierarkis linear tradisional tidak memadai untuk menangkap dinamika jaringan pengambilan keputusan semacam itu. Studi ini menggunakan metode komputasi Analytic Network Process (ANP) untuk menyusun model manajemen risiko terintegrasi bagi industri hilir kelapa sawit dan oleokimia. Berdasarkan tinjauan pustaka sistematis yang mencakup teori keputusan jaringan, ketahanan rantai pasok cerdas, optimalisasi rantai nilai kelapa sawit terintegrasi, degradasi aset proses termofluida, dan keunggulan komparatif internasional, model ini diuraikan menjadi 13 sub-kriteria dominan dalam tiga klaster utama Risiko (K1), Daya Saing (K2), dan Keberlanjutan (K3) serta lima alternatif strategi manajemen (a1–a5). Proses komputasi melibatkan penyusunan *Unweighted Supermatrix*, transformasi stokastik menjadi *Weighted Supermatrix*, dan pencapaian keseimbangan konvergen melalui *Limit Supermatrix* (limk→∞ Wk). Seluruh perbandingan berpasangan menunjukkan konsistensi matematis, dengan Indeks Ketidakkonsistenan kurang dari 0,10. Sintesis prioritas global mengungkapkan bahwa Strategi Penetapan Harga dan Pemasaran (a3; 24,82%) serta Manajemen Lingkungan (a5; 24,67%) menempati peringkat sebagai strategi yang sama-sama dominan, dengan selisih tipis hanya 0,15%, diikuti oleh Diversifikasi Bisnis (a4; 20,51%), Investasi Teknologi dan Digitalisasi (a2; 17,90%), dan Penguatan Rantai Pasok (a1; 12,11%). Temuan empiris ini mengonfirmasi paradigma tekanan ganda yakni menyeimbangkan fleksibilitas komersial dan kepatuhan ekologis mutlak dalam industri hilir bernilai tambah tinggi.
Pengembangan Sistem Informasi Sekolah Berbasis Website Menggunakan Metode Rapid Application Development (RAD) Tika Dwi Untari; Taufiq Agung Cahyono; Agung Prasetya
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 4 No. 4 (2026): Volume 4 Number 4 October 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v4i4.386

Abstract

Penelitian ini berfokus pada pengembangan Sistem Informasi Sekolah berbasis website di SMP Negeri 1 Gandusari yang bertujuan untuk meningkatkan efektivitas dan efisiensi pengelolaan layanan akademik dan informasi sekolah. Permasalahan yang dihadapi sebelumnya meliputi pencatatan absensi dan jurnal pembelajaran yang masih dilakukan secara manual, pengelolaan jadwal pelajaran dan jadwal mengajar yang belum terintegrasi, serta penyampaian informasi sekolah yang masih menggunakan media konvensional sehingga berpotensi menyebabkan keterlambatan informasi, duplikasi data, dan kurang efektifnya pengelolaan layanan. Metode yang digunakan adalah Rapid Application Development (RAD) dengan tahapan Requirement Planning, User Design, Construction, dan Cutover, sedangkan pengumpulan data dilakukan melalui observasi, wawancara, dan studi pustaka untuk mengidentifikasi dan memastikan kesesuaian sistem dengan kebutuhan pengguna. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu mengintegrasikan fitur jurnal pembelajaran beserta absensi siswa, jadwal pelajaran, jadwal mengajar guru, pendaftaran ekstrakurikuler, layanan aduan siswa, pengumuman, galeri kegiatan sekolah, serta penyampaian informasi sekolah dalam satu platform berbasis website. Pengujian menggunakan Black Box Testing menunjukkan bahwa fungsi-fungsi yang dikembangkan dapat berjalan sesuai dengan spesifikasi. Hasil evaluasi terhadap 23 responden memperoleh persentase sebesar 85,74% dengan kategori sangat baik, yang menunjukkan tingkat penerimaan dan kemudahan penggunaan sistem oleh pengguna. Dengan demikian, sistem yang dikembangkan dapat memenuhi kebutuhan pengguna dan mendukung pengelolaan layanan akademik serta informasi sekolah secara lebih efektif, efisien, terstruktur, dan mudah diakses.
Analysis of Land Cover Change Using Support Vector Machine Algorithm on Satellite Imagery (Case Study: Mining Area of IWIP). Efraim Julian Soma; Winsy Christo Deilan Weki; Rillya Arundaa; Mahardika Inra Takaendengan
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 4 No. 4 (2026): Volume 4 Number 4 October 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v4i4.388

Abstract

Unsupervised mining activities and the lack of proper management of the environment can bring very serious ecological effects. One of the worst is large-scale land cover change. This paper investigates the land cover changes in the mining area of PT Indonesia Weda Bay Industrial Park (IWIP), Weda Bay Nickel (WBN) area, and measures the performance of the Support Vector Machine technique of land cover classification using satellite imagery. This research is a quantitative study based on a remote sensing technique and spatial analysis in a GIS environment. Multi-temporal satellite images, Landsat-7 (2010), Landsat-8 (2014), and Sentinel-2 (2019 and 2025) were processed to land cover classes (vegetation, open land, cloud) based on the spectral indices NDVI, NDBI, and BSI. Through the post-classification comparison method, land cover changes were detected. The overall change from 2010 to 2025 is quite significant. The vegetation cover decreased from 91.2% to 84.3%, while open land increased from less than 1% to 11.4%. The greatest changes were observed in 2019 and 2025, suggesting that mining activities and related industry development have speed up A lot. The Support Vector Machine algorithm reached excellent classification accuracy over the different periods (97.47%, 96.67%, 89.52%, 95.12% in the cases of 2010 2014 2019 and 2025 respectively), and the results were supported by the high Kappa agreement scores (ranging from 0.84 to 0.96). The low difference between training and testing accuracy indicates a strong generalization without any sign of the model getting overfitted to the training data. The work highlights that Support Vector Machine algorithm, is a very good and reliable method for detecting land cover change in mining areas, where patterns are both complex as well as dynamic.
Integrasi Generative AI dan Large Language Model pada Aplikasi Web untuk Transformasi Sketsa Menjadi Gambar Realistis dan Evaluasi Otomatis Muhammad Yulasfi Pahrizal; Nasruddin Bin Idris; Pramudya Prima Insan
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 4 No. 4 (2026): Volume 4 Number 4 October 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v4i4.398

Abstract

Penelitian ini bertujuan untuk merancang dan membangun sebuah aplikasi generative artificial intelligence (GenAI) berbasis web yang mampu mentransformasi sketsa dua dimensi menjadi gambar realistis secara otomatis, serta dilengkapi fitur AI review sebagai media evaluasi dan pembelajaran menggambar sketsa. Penelitian ini mengintegrasikan layanan GenAI berbasis diffusion model untuk proses generasi gambar dengan large language model (LLM) yang menganalisis sketsa, prompt, dan hasil gambar, tanpa melakukan pelatihan atau pengembangan arsitektur model AI baru. Metode penelitian yang digunakan adalah penelitian terapan (applied research) dengan pendekatan rekayasa perangkat lunak model waterfall. Aplikasi dibangun menggunakan Next.js sebagai frontend, FastAPI sebagai backend, PostgreSQL sebagai basis data, MinIO sebagai object storage, serta Docker dan Nginx untuk mendukung deployment berbasis container. Studi ini menggunakan pengujian fungsional dengan metode black box testing teknik equivalence partitioning yang menunjukkan seluruh 44 skenario uji pada sembilan modul sistem berjalan sesuai kebutuhan fungsional dengan tingkat keberhasilan 100%. Evaluasi penerimaan pengguna (User Acceptance Test) terhadap 15 responden menghasilkan skor rata-rata 4,38 dari skala 5 (87,59%) dengan kategori sangat baik, dimana fitur AI review memperoleh nilai tertinggi. Secara praktis, aplikasi ini dapat langsung dimanfaatkan oleh desainer, ilustrator, dan kreator digital untuk mempercepat eksplorasi konsep visual tanpa memerlukan keahlian ilustrasi tingkat lanjut. Secara sosial, aplikasi ini berkontribusi pada demokratisasi proses kreatif dengan meningkatkan aksesibilitas produksi visual bagi masyarakat yang memiliki keterbatasan kemampuan menggambar. Nilai originalitas penelitian ini terletak pada penambahan fitur AI review berbasis LLM sebagai mekanisme evaluasi dan umpan balik otomatis yang belum tersedia pada aplikasi maupun penelitian transformasi sketsa sejenis sebelumnya.
Evaluasi Kinerja MobileNetV2 Berbasis Transfer Learning untuk Klasifikasi Multikelas Penyakit Stroberi Muhammad Doni Saputra; Yuwan Jumaryadi
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 4 No. 4 (2026): Volume 4 Number 4 October 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v4i4.401

Abstract

Identifikasi penyakit stroberi secara akurat diperlukan untuk mendukung pengendalian penyakit dan mempertahankan produktivitas tanaman. Penelitian ini bertujuan mengevaluasi kinerja MobileNetV2 berbasis transfer learning dalam klasifikasi multikelas penyakit stroberi serta menganalisis pengaruh fine-tuning terhadap performa model. Dataset publik yang digunakan terdiri atas 2.053 citra yang terbagi ke dalam tujuh kelas, yaitu Angular Leaf Spot, Anthracnose Fruit Rot, Blossom Blight, Gray Mold, Leaf Spot, Powdery Mildew Fruit, dan Powdery Mildew Leaf. Dataset dibagi menggunakan stratified sampling dengan rasio sekitar 80:10:10 menjadi 1.642 citra pelatihan, 205 citra validasi, dan 206 citra pengujian. Seluruh citra diubah ukurannya menjadi 224 × 224 piksel dan diproses menggunakan fungsi preprocess_input MobileNetV2, sedangkan augmentasi hanya diterapkan pada data pelatihan. Dua skenario transfer learning dibandingkan, yaitu feature extraction dengan backbone dibekukan dan fine-tuning dengan backbone diaktifkan kembali menggunakan learning rate yang lebih rendah. Hasil pengujian menunjukkan bahwa feature extraction memperoleh akurasi 95,63% dengan macro F1-score 0,87, sedangkan fine-tuning meningkatkan akurasi menjadi 98,06% dan macro F1-score menjadi 0,96. Peningkatan kinerja terutama terlihat pada kelas minoritas Anthracnose Fruit Rot dan Powdery Mildew Fruit. Hasil tersebut menunjukkan bahwa fine-tuning mampu meningkatkan kemampuan MobileNetV2 dalam menyesuaikan representasi fitur pralatih terhadap karakteristik visual penyakit stroberi. Meskipun demikian, jumlah sampel yang terbatas pada beberapa kelas menunjukkan perlunya validasi lebih lanjut menggunakan dataset yang lebih besar, seimbang, dan berasal dari kondisi lapangan.
Deteksi Alzheimer Berbasis Random Forest dengan Feature Selection dan Analisis SHAP pada Data Klinis Nirwana Hendrastuty; Marta Santra Wijaya; Debby Alita
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 4 No. 4 (2026): Volume 4 Number 4 October 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v4i4.405

Abstract

Penyakit Alzheimer merupakan gangguan neurodegeneratif progresif yang menjadi penyebab utama demensia, namun deteksi dininya di Indonesia masih terkendala oleh mahalnya metode pencitraan otak seperti MRI dan PET Scan. Machine learning menawarkan alternatif deteksi dini berbasis data klinis rutin yang lebih terjangkau dan mudah diakses. Penelitian ini bertujuan mengembangkan model deteksi dini Alzheimer menggunakan algoritma Random Forest yang dioptimalkan melalui seleksi fitur dan disertai analisis interpretabilitas SHAP (SHapley Additive exPlanations) pada data klinis non-pencitraan. Dataset yang digunakan bersumber dari Kaggle, terdiri dari 2.149 data pasien dengan 32 fitur prediktor setelah pra-pemrosesan, mencakup aspek demografis, medis, kognitif, dan fungsional. Ketidakseimbangan kelas pada data latih (1.111 pasien sehat berbanding 608 pasien Alzheimer) ditangani menggunakan SMOTE. Seleksi fitur dilakukan melalui kombinasi Random Forest Feature Importance dan RFECV (Recursive Feature Elimination with Cross-Validation) dengan skema 5-fold Stratified Cross-Validation, sementara optimasi hyperparameter dilakukan menggunakan GridSearchCV terhadap 72 kombinasi parameter. Hasil penelitian menunjukkan bahwa model Random Forest menghasilkan performa yang sangat baik dengan accuracy 94,19%, precision 94,41%, recall 88,82%, F1-Score 91,53%, dan ROC-AUC 0,938. Hasil RFECV secara objektif memvalidasi bahwa seluruh 32 fitur tetap relevan bagi model, berbeda dari pendekatan pemangkasan fitur sepihak pada penelitian acuan. Analisis SHAP mengungkap bahwa Functional Assessment, ADL, MMSE, Memory Complaints, dan Behavioral Problems merupakan lima fitur paling dominan, dengan pola hubungan berbentuk ambang batas pada Functional Assessment dan ADL, serta interpretasi transparan pada level individu pasien melalui waterfall plot. Penelitian ini diharapkan dapat memberikan kontribusi pada pengembangan sistem pendukung keputusan medis untuk deteksi dini Alzheimer yang akurat sekaligus interpretatif.
Implementasi Algoritma YOLOv8 Untuk Deteksi Penyakit Malaria Menggunakan Citra Sel Darah Eli Safitri; Susiana
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 4 No. 4 (2026): Volume 4 Number 4 October 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v4i4.414

Abstract

Malaria merupakan penyakit infeksi yang disebabkan oleh parasit Plasmodium dan masih menjadi salah satu permasalahan kesehatan di berbagai negara, termasuk Indonesia. Proses diagnosis malaria secara mikroskopis memerlukan ketelitian serta waktu yang relatif lama karena dilakukan secara manual oleh tenaga medis. Penelitian ini bertujuan untuk mengimplementasikan algoritma YOLOv8s pada sistem berbasis web untuk mendeteksi dan mengklasifikasikan lima spesies Plasmodium, yaitu Plasmodium falciparum, Plasmodium vivax, Plasmodium malariae, Plasmodium ovale, dan Plasmodium knowlesi menggunakan citra mikroskopis sel darah merah. Dataset yang digunakan berjumlah 5.000 citra hasil augmentasi yang dibagi menjadi data pelatihan, validasi, dan pengujian. Proses pelatihan model dilakukan menggunakan framework Ultralytics YOLOv8, sedangkan pengujian sistem dilakukan menggunakan metode Black Box Testing dan System Usability Scale (SUS). Hasil penelitian menunjukkan bahwa model YOLOv8s memperoleh nilai Precision sebesar 99,19%, Recall sebesar 97,59%, F1-Score sebesar 98,38%, mAP@50 sebesar 98,85%, dan mAP@50-95 sebesar 81,17%, yang menunjukkan kemampuan model dalam mendeteksi dan mengklasifikasikan objek dengan tingkat akurasi yang tinggi. Hasil pengujian Black Box Testing menunjukkan seluruh fitur sistem berjalan sesuai dengan fungsi yang diharapkan. Sementara itu, pengujian usability menggunakan metode System Usability Scale (SUS) yang melibatkan 15 responden memperoleh nilai rata-rata 81,66, termasuk dalam kategori Best (Grade B). Berdasarkan hasil tersebut, dapat disimpulkan bahwa algoritma YOLOv8s mampu mendeteksi dan mengklasifikasikan spesies Plasmodium secara efektif serta dapat diimplementasikan pada aplikasi berbasis web sebagai alat bantu deteksi malaria.
Klasterisasi Kabupaten/Kota di Provinsi Jawa Barat Berdasarkan Profil Indikator Kesehatan dan Sosial-Demografi Menggunakan Machine Learning Belinda Eka Sarah Dewi; Marisa; HS. Sulistyowati; Nasywa Yumna Huwaida
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 4 No. 4 (2026): Volume 4 Number 4 October 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v4i4.416

Abstract

Disparities in regional health status remain a major challenge for data-driven public health planning in Indonesia. This study aims to develop a machine learning-based clustering approach to group 27 regencies/cities in West Java Province according to the similarity of their health and socio-demographic indicator profiles using open government data. The research follows the CRISP-DM framework, from business understanding to deployment. Five of nine indicators were converted into population-based and live-birth-based rates to remove the confounding effect of regional size differences, then selected using variance thresholding and Spearman correlation, resulting in eight final features. Five clustering algorithms were compared: K-Means, K-Medoids (PAM), DBSCAN, Agglomerative Hierarchical Clustering, and Fuzzy C-Means (FCM), with the optimal number of clusters determined through the Elbow Method and Silhouette Analysis. The results indicate k=6 as the optimal number of clusters, with K-Means, K-Medoids, and Agglomerative Hierarchical Clustering producing identical and best cluster quality (Silhouette Index 0.289; Davies-Bouldin Index 0.978; Calinski-Harabasz Index 9.52), outperforming Fuzzy C-Means (0.184), while DBSCAN failed to form meaningful clusters due to the relatively homogeneous density distribution of the data. Cluster profiles revealed significant disparities, particularly in doctor ratio, proper sanitation, and access to proper water sources: the Bekasi-Depok cluster showed the most favorable profile, while the small-city cluster (Sukabumi, Tasikmalaya, Banjar, Cirebon) showed the highest infant and maternal mortality rates despite relatively adequate health infrastructure. This study provides a methodological contribution as a foundation for developing an open-data-based regional health and socio-demographic indicator mapping system to support more targeted regional health policy.
Evaluasi Kompresi Lossless Huffman Statis pada Sampel Teks dan Citra Komik Wira Adiguna Sutawa; Nur Hamzah; Ridho Sholehurrohman
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 4 No. 4 (2026): Volume 4 Number 4 October 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v4i4.417

Abstract

Webtoon is a digital comic platform that presents stories as images and text on Android devices. Large files can increase storage requirements and slow access to content. This study aims to apply Huffman coding to reduce the size of text and image data obtained from comics on the Webtoon application. The method consists of counting symbol frequencies, creating a priority queue, constructing a Huffman tree, assigning binary codes, and replacing the original symbols with the resulting codes. Frequently occurring symbols receive shorter codes, whereas less frequent symbols receive longer codes. The algorithm was implemented in the Python programming language. Evaluation was performed by comparing data sizes before and after compression and calculating the percentage reduction. Text data decreased from 616 bits to 189 bits, while image data decreased from 512 bits to 380 bits. The manuscript reports compression percentages of 69.4% for text and 25.7% for images. These findings indicate that Huffman coding can reduce storage requirements for the data examined. The generated Huffman tree provides the basis for reconstructing the original data during decompression. Applying this method may support more efficient storage and transmission of digital comic content. Further research is recommended to evaluate combinations of Huffman coding with other compression methods and test performance across different user devices, particularly regarding image quality and application response time.