cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Tito Sugiharto
Contact Email
tito@uniku.ac.id
Phone
+6281221969608
Journal Mail Official
buffer.informatika@uniku.ac.id
Editorial Address
Kampus 2 Universitas Kuningan Fakultas Ilmu Komputer, Prodi Teknik Informatika, Jalan Pramuka No. 67. Kecamatan Kuningan, Kabupaten Kuningan, Provinsi Jawa Barat 45513
Location
Kab. kuningan,
Jawa barat
INDONESIA
Buffer Informatika
Published by Universitas Kuningan
ISSN : 25274856     EISSN : 26145413     DOI : https://doi.org/10.25134/buffer.v5i2
Core Subject : Science,
Computer Science & IT
BUFFER INFORMATIKA is an official scientific journal published and managed by Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia. Buffer Informatika is a peer-reviewed journal on Software Engineering covering all branches of IT and sub-disciplines including: Algorithms Computer Networks Games Software Engineering Mobile Applications Artificial Intelligence Image Processing Computer Graphics Robotics Data Mining and other Information Technology.
Arjuna Subject : Ilmu Komputer (semua kategori) - Perangkat Lunak
Articles 7 Documents
 1 
Search results for , issue "Vol. 11 No. 2 (2025): Buffer Informatika" : 7 Documents clear
Implementasi Algoritma K-Means Dalam Analisis Distribusi Pangkalan LPG 3kg Di Kota Palembang Salsabila, Shofi; Fathoni; Mutia Sahira; Adella Salsabila; Aulia Najibah Putri; Ali Ibrahim
Buffer Informatika Vol. 11 No. 2 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pada 1 Februari 2025, pemerintah Indonesia menetapkan kebijakan pembatasan distribusi LPG 3 kg yang hanya boleh disalurkan melalui pangkalan resmi. Kebijakan ini bertujuan agar subsidi tepat sasaran, tapi juga menimbulkan kekhawatiran soal akses, terutama di wilayah padat dan pinggiran kota seperti Palembang. Penelitian ini menganalisis dampak kebijakan tersebut terhadap aksesibilitas LPG 3 kg serta mengelompokkan kecamatan berdasarkan kecukupan jumlah pangkalan menggunakan algoritma K-Means. Data yang digunakan meliputi jumlah pangkalan LPG dari MyPertamina dan data penduduk dari BPS periode 2019–2021. Setelah data dibersihkan dan dinormalisasi, dilakukan eksplorasi dan implementasi K-Means untuk mengidentifikasi kecamatan dengan distribusi pangkalan yang kurang, cukup, atau berlebih. Hasil clustering menunjukkan bahwa beberapa kecamatan padat seperti Sukarami memiliki rasio pangkalan yang belum ideal dibandingkan jumlah penduduknya, sehingga perlu perhatian khusus dalam perencanaan distribusi. Penelitian ini menunjukkan bahwa penerapan algoritma machine learning seperti K-Means dapat membantu pengambilan keputusan berbasis data untuk mendukung distribusi subsidi LPG yang lebih merata dan efisien.
Penerapan Metode K-Means Clustering untuk Segmentasi Performa Pembalap F1 Season 2024 Salsabila, Shofi; Sahira, Mutia; Salsabila, Adella; Najibah Putri, Aulia; Ditha Tania, Ken; Kurnia Sari, Winda
Buffer Informatika Vol. 11 No. 2 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Performa pembalap Formula 1 tidak hanya ditentukan oleh hasil akhir balapan, tetapi juga oleh konsistensi catatan waktu dan lap tercepat. Penelitian ini menerapkan algoritma K-Means clustering untuk mengelompokkan pembalap berdasarkan performa mereka. Data yang digunakan mencakup hasil balapan resmi musim 2024 yang diterbitkan oleh FIA. Proses pengolahan data mencakup pengumpulan data, preprocessing, analisis eksploratori, penerapan algoritma clustering, serta evaluasi dan interpretasi hasil. Untuk menentukan jumlah cluster yang optimal, digunakan Metode Elbow dan skor Silhouette, yang menghasilkan empat kelompok pembalap dengan karakteristik performa yang berbeda. Hasil analisis menunjukkan bahwa metode ini berhasil mengidentifikasi pola performa yang relevan, memberikan wawasan bagi tim balap dalam menyusun strategi. Evaluasi menggunakan Silhouette Score menunjukkan bahwa segmentasi yang dihasilkan cukup baik dengan nilai sebesar 0.5735.
Implementasi Teknologi NLP Pada Chatbot Berbasis Generative AI Untuk Layanan Edukasi: Implementasi NLP untuk Chatbot Edukasi Cerdas Zahrotun; Fauzan Dzika, Muhammad; Reksa Pratama, Zidan; Wibowo, Satria
Buffer Informatika Vol. 11 No. 2 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini dilakukan untuk mengembangkan chatbot berbasis Natural Language Processing (NLP) dan Generative AI untuk layanan edukasi bertema pahlawan nasional. Chatbot dirancang untuk memberikan informasi yang interaktif dan akurat tentang sejarah dan nilai-nilai kepahlawanan, khususnya bagi pelajar. Metode penelitian meliputi pengumpulan dataset dan penerapan teknik text preprocessing seperti case folding, tokenizing, filtering, dan stemming. Hasil penelitian menunjukkan bahwa chatbot mampu memberikan jawaban yang benar dengan akurasi 80%, sekaligus meningkatkan pemahaman pengguna tentang pahlawan nasional. Penerapan teknologi ini efektif dalam mendukung pembelajaran interaktif dan memudahkan akses informasi. Kesimpulannya, -berbasis NLP ini dapat menjadi sarana edukasi yang inovatif untuk mengenalkan nilai-nilai kepahlawanan kepada generasi muda.
Penerapan Metode Forward Selection dan ADASYN Pada Algoritma SVM Untuk Klasifikasi Data Kecelakaan Lalu Lintas Muhammad Fadly Ramadhani; Taghfirul Azhima Yoga Siswa; Joko Pranoto, Wawan
Buffer Informatika Vol. 11 No. 2 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Di Indonesia, khususnya kota Samarinda, angka kecelakaan lalu lintas menunjukkan tren peningkatan yang mengkhawatirkan. Jumlah kecelakaan meningkat dari 97 kasus pada tahun 2021 menjadi 102 kasus pada tahun 2022, dan mencapai 173 kasus pada tahun 2023. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi tingkat kecelakaan lalu lintas dengan mengimplementasikan algoritma Support Vector Machine (SVM) yang dikombinasikan dengan metode seleksi fitur Forward Selection dan teknik oversampling ADASYN. Dataset yang digunakan merupakan data kecelakaan dari Polresta Samarinda periode 2020–2024 dengan 35 atribut, yang diseleksi menjadi 13 atribut relevan. Penelitian dilakukan melalui tahapan data pre-processing, balancing, pemodelan SVM, serta evaluasi menggunakan 10-fold cross-validation. Hasil pengujian menunjukkan bahwa penerapan ADASYN mampu meningkatkan akurasi model dari 70,75% menjadi 96,38%. Peningkatan lebih lanjut dicapai dengan Forward Selection, menghasilkan akurasi hingga 98,00%. Temuan ini membuktikan bahwa seleksi fitur dan penyeimbangan kelas memiliki kontribusi signifikan dalam memperkuat performa model klasifikasi SVM untuk analisis kecelakaan lalu lintas.
Klasifikasi Kecelakaan Lalu Lintas Menggunakan Kombinasi Forward Selection, ADASYN, dan Random Forest Aspianur; Taghfirul Azhima Yoga Siswa; Naufal Azmi Verdikha
Buffer Informatika Vol. 11 No. 2 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kecelakaan lalu lintas menjadi penyebab utama kematian bagi kelompok usia 15-29 tahun, dengan lebih dari 1,3 juta kematian setiap tahunnya. di Indonesia, data dari korps lalu lintas polri menunjukkan bahwa pada tahun 2023 terjadi lebih dari 100 ribu kasus kecelakaan, dengan korban jiwa mencapai 25 ribu orang. Penelitian ini bertujuan untuk mengembangkan model klasifikasi tingkat keparahan kecelakaan lalu lintas dengan mengintegrasikan metode Adaptive Synthetic Sampling (ADASYN) dan Forward Selection ke dalam algoritma Random Forest. Data yang digunakan merupakan data kecelakaan dari Polresta Samarinda periode 2020–2024 yang terdiri dari 35 fitur. Proses penelitian mencakup tahapan data preprocessing, feature selection dengan Forward Selection, dan pembagian data testing dan training dengan 10k-fold validation. Permodelan menggunakan algoritma Random Forest, dan evaluasi model menggunakan confusion matrix untuk mencari akurasi, precision, recall, dan f1-score. Hasil penelitian menunjukkan fitur yang paling signifikan terhadap klasifikasi kecelakaan lalu lintas adalah cuaca, jumlah luka ringan, jumlah luka berat, dan jumlah meninggal dunia. Penerapan Random Forest tanpa penanganan ketidakseimbangan dan tanpa seleksi fitur hanya menghasilkan akurasi 79,26%, precision 29,03%, recall 34,62%, dan f1-score 31,58%. Setelah diterapkan ADASYN, metrik evaluasi meningkat signifikan menjadi akurasi 84,26%, precision 81,82%, recall 84,62%, dan f1-score 83,20%. Peningkatan lebih besar tercapai setelah seleksi fitur Forward Selection, menghasilkan akurasi akhir 95,28%, precision 94,23%, recall 96,15%, dan f1-score 95,18%.
Analisis Kecelakaan Lalu Lintas Berbasis Decision Tree Terintegrasi Forward Selection dan Metode ADASYN Muhammad Wildan Hadinata; Taghfirul Azhima Yoga Siswa; Joko Pranoto, Wawan
Buffer Informatika Vol. 11 No. 2 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Di Indonesia, Angka kecelakaan lalu lintas juga menunjukkan situasi yang mengkhawatirkan. Pada tahun 2023, terjadi sebanyak 665 kasus kecelakaan lalu lintas di provinsi Kalimantan Timur menurut data BPS Provinsi Kaltim. Penelitian ini bertujuan untuk mengembangkan model klasifikasi tingkat keparahan kecelakaan lalu lintas dengan mengintegrasikan metode Adaptive Synthetic Sampling (ADASYN) dan Forward Selection ke dalam algoritma Decision Tree. Data yang digunakan merupakan data kecelakaan dari Polresta Kota Samarinda periode 2020-2024 yang terdiri dari 35 fitur. Proses penelitian mencakup tahapan data preprocessing, feature selection dengan Forward Selection, dan pembagian data testing dan training dengan 10k-fold validation. Permodelan menggunakan algoritma Decision Tree dan evaluasi model menggunakan confusion matrix untuk mencari akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan fitur yang paling signifikan terhadap klasifikasi kecelakaan lalu lintas adalah cuaca, jumlah meninggal dunia, jumlah luka ringan dan jumlah luka berat. Penerapan ADASYN berhasil meningkatkan akurasi dari 69,44% menjadi 76,83%. Sedangkan penambahan seleksi fitur Forward Selection lebih lanjut meningkatkan akurasi hingga 99,06%.
Optimasi Ekstraksi Fitur TF-IDF Menggunakan Genetic Algorithm Pada Metode Support Vector Machine Dalam Menentukan Opini Publik Terhadap Keberlanjutan IKN Patimah, Siti; Rudiman; Yulianto, Fendy
Buffer Informatika Vol. 11 No. 2 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perubahan opini masyarakat mengenai keberlanjutan Kota Ibu Kota Negara (IKN) menjadi topik penting dalam memahami respon masyarakat terhadap kebijakan pemerintah. Penelitian ini bertujuan untuk menganalisis sentimen publik berdasarkan komentar YouTube dengan menggunakan metode Term Frekuensi-Inverse Document Frekuensi (TF-IDF) sebagai teknik ekstraksi fitur dan Support Vector Machine (SVM) sebagai algoritma klasifikasi. Untuk meningkatkan akurasi prediksi, digunakan Algoritma Genetika (GA) dalam optimasi parameter SVM. Dataset yang digunakan dalam penelitian ini terdiri dari komentar masyarakat di platform YouTube mengenai keberlanjutan IKN. Proses analisis diawali dengan preprocessing teks yang meliputi pelipatan kasus, penghapusan stopword, dan stemming. Selanjutnya fitur teks diekstraksi menggunakan TF-IDF dan diklasifikasikan menggunakan model SVM. Algoritma Genetika diterapkan untuk mencari parameter optimal sehingga kinerja model dapat ditingkatkan. Hasil penelitian menunjukkan bahwa pendekatan ini mampu mengklasifikasikan sentimen masyarakat ke dalam tiga kategori utama: positif, netral, dan negatif dengan tingkat akurasi lebih tinggi dibandingkan metode SVM tanpa optimasi. Penelitian ini diharapkan dapat memberikan wawasan bagi pengambil kebijakan dalam merancang strategi komunikasi publik dan memahami persepsi masyarakat terhadap keberlanjutan

Page 1 of 1 | Total Record : 7

 1 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol. 11 No. 2 (2025): Buffer Informatika Vol. 10 No. 2 (2024): Buffer Informatika Volume 2 Oktober 2024 Vol. 10 No. 1 (2024): Buffer Informatika