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 12 Documents
 1   2 
Search results for , issue "Vol. 12 No. 1 (2026): Buffer Informatika" : 12 Documents clear
Optimasi Seleksi Fitur BERT Menggunakan GA Pada Metode KNN Dalam Menentukan Opini Publik Terkait Keberlanjutan IKN Augie Sugiarto Nunka; Yulianto, Fendy; Rudiman
Buffer Informatika Vol. 12 No. 1 (2026): 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 | DOI: 10.25134/buffer.v12i1.482

Abstract

Penelitian ini berfokus pada optimasi klasifikasi opini publik terkait keberlanjutan Ibu Kota Nusantara (IKN) yang beragam di media sosial. Tujuan utama dari penelitian ini adalah untuk meningkatkan performa klasifikasi sentimen dengan mengintegrasikan model Bidirectional Encoder Representations from Transformers (BERT) untuk ekstraksi fitur, Algoritma Genetika (Genetic Algorithm) untuk seleksi fitur, dan K-Nearest Neighbors (KNN) sebagai metode klasifikasi. Metode penelitian diawali dengan pengumpulan 1.274 data komentar dari YouTube, diikuti oleh pelabelan pakar, pra-pemrosesan data, dan ekstraksi fitur menggunakan IndoBERT yang menghasilkan 768 fitur. Algoritma Genetika kemudian diterapkan untuk menyeleksi fitur-fitur paling relevan. Hasil penelitian menunjukkan bahwa model tanpa seleksi fitur mencapai akurasi sebesar 76,56%. Sementara itu, model yang menggunakan seleksi fitur Algoritma Genetika berhasil mereduksi jumlah fitur menjadi 371 dan memperoleh akurasi sebesar 75,00%. Meskipun terjadi sedikit penurunan akurasi sebesar 1,56%, seleksi fitur terbukti mampu meningkatkan efisiensi komputasi secara signifikan dengan mengurangi dimensi fitur hingga 51,7% tanpa mengorbankan kinerja secara drastis, meskipun kedua model gagal dalam mengklasifikasikan kelas netral secara efektif.
Desain dan Pengembangan Game RPG Edukatif Untuk Peningkatan Keterampilan Matematika Mahasiswa : Implementasi Sistem Pertarungan Berbasis Giliran dalam Game Edukatif Wirayuda, Pandu Wirayuda; Arbansyah; Harist Suryawan, Sayekti
Buffer Informatika Vol. 12 No. 1 (2026): 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 bertujuan untuk merancang dan mengembangkan game edukasi berbasis Role-Playing Game (RPG) sebagai media pembelajaran interaktif untuk meningkatkan kemampuan matematika mahasiswa. Game ini mengintegrasikan soal-soal matematika ke dalam sistem pertempuran berbasis giliran, di mana pemain harus menyelesaikan soal dalam waktu terbatas untuk melakukan serangan. Setiap keberhasilan dalam menjawab soal dengan cepat dan tepat memberikan keuntungan dalam bentuk bonus damage, sedangkan kesalahan mengakibatkan penalti. Evaluasi dilakukan menggunakan pendekatan pre-test dan post-test serta kuesioner isian singkat kepada mahasiswa. Hasil uji Wilcoxon menunjukkan peningkatan signifikan pada skor post-test (p-value = 0,00091). Responden menyatakan game membuat pembelajaran matematika lebih menarik, interaktif, dan menantang. Fitur-fitur seperti umpan balik edukatif instan, progres visual kota, dan sistem reward progresif dinilai mampu memperkuat motivasi belajar. Dengan demikian, game edukasi RPG ini efektif sebagai alternatif metode pembelajaran matematika yang menyenangkan dan adaptif
Pengembangan Sistem Informasi Inkubasi Bisnis Inovasi Produk Komoditas Unggulan Perikanan Kabupaten Indramayu Moh. Ali Fikri; Riyan Farismana; Sonty Lena; A. Lubis Ghozali
Buffer Informatika Vol. 12 No. 1 (2026): 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 | DOI: 10.25134/buffer.v12i1.504

Abstract

Kabupaten Indramayu memiliki potensi ekonomi yang besar dari sektor perikanan, namun belum dimanfaatkan secara optimal karena belum adanya sistem informasi terintegrasi yang mendukung pengelolaan rantai nilai perikanan secara digital. Permasalahan utama meliputi kurangnya digitalisasi data produksi dan distribusi, pemasaran yang belum berbasis teknologi, serta tidak adanya sistem pendukung keputusan yang memadai. Penelitian ini bertujuan mengembangkan SIPASTI (Sistem Informasi Inkubasi Bisnis Produk Perikanan Unggulan Berbasis Spasial dan DSS) sebagai solusi digital untuk mengintegrasikan data produksi, distribusi, pemasaran, serta pemetaan spasial dan sistem pendukung keputusan berbasis metode Simple Additive Weighting (SAW). Metode penelitian yang digunakan adalah pendekatan rekayasa perangkat lunak waterfall yang mencakup studi literatur, pengumpulan kebutuhan pengguna, perancangan sistem, implementasi modul dengan framework Laravel dan basis data PostgreSQL/PostGIS, serta pengujian sistem oleh mitra. Inovasi utama dari sistem ini terletak pada integrasi modul-modul bisnis dengan pemetaan spasial dan DSS berbasis kriteria efisiensi dan keberlanjutan. Pengujian dilakukan sebanyak 12 responden yang telah menjawab 15 pertanyaan pada instrumen pengujian. Hasil pengujian secara keseluruhan tingkat kesiapan teknologi yang dibangun memperoleh skor pengujian 4,31 atau dapat di interpretasikan sangat sesuai.
Optimalisasi Pembangunan Desa: Prediksi Kebutuhan Intervensi Ekonomi di Jawa Barat Menggunakan Algoritma Machine Learning Isnanto, Burham; Sulaiman, Rahmat
Buffer Informatika Vol. 12 No. 1 (2026): 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 | DOI: 10.25134/buffer.v12i1.519

Abstract

Rural development plays a crucial role in reducing economic disparities, particularly in West Java, which comprises 5,311 villages with substantial variation in the Village Development Index (Indeks Desa Membangun/IDM). This study develops a machine-learning-based predictive model to classify villages’ economic intervention needs by utilizing multidimensional data—economic, social, and infrastructure indicators—sourced from BPS and the Ministry of Villages. Three machine learning algorithms—Random Forest, Gradient Boosting, and XGBoost—were evaluated using the 2023 West Java IDM dataset, which includes several relevant variables.The preprocessing stage involved handling missing values, data normalization, and data transformation, while hyperparameter optimization using GridSearchCV significantly improved model accuracy. The results indicate that XGBoost outperformed the other algorithms, achieving an accuracy of 88% and an F1-score of 0.93, particularly excelling in identifying autonomous villages (Class A) and high-intervention villages (Class D). Key contributing variables included the availability of financial services and the number of micro-industries.The model was integrated into an interactive dashboard built with Dash to support policymakers in conducting multi-level analyses (village/subdistrict/regency) and formulating evidence-based recommendations. The findings of this study have important implications for enhancing the efficiency of resource allocation and improving policy transparency, aligning with Bappenas' initiative to implement the Village Index starting in 2025. Overall, this research reinforces the importance of data-driven approaches for targeted and sustainable rural development
Analisis Komparasi TF-IDF dan Word2Vec pada Algoritma SVM Untuk Sentimen Pembangunan IKN di YouTube: Studi Kasus Komentar YouTube pada Kanal Pembangunan IKN Fattah, Mi'raj; Taghfirul Azhima Yoga Siswa; Naufal Azmi Verdikha
Buffer Informatika Vol. 12 No. 1 (2026): 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 | DOI: 10.25134/buffer.v12i1.551

Abstract

Pembangunan Ibu Kota Negara (IKN) Nusantara merupakan kebijakan strategis nasional yang menuai beragam reaksi publik, baik positif maupun negatif, terutama di media sosial seperti YouTube. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap opini masyarakat mengenai pembangunan IKN serta membandingkan kinerja akurasi antara dua metode ekstraksi fitur, yaitu Term Frequency-Inverse Document Frequency (TF-IDF) dan Word2Vec, menggunakan algoritma Support Vector Machine (SVM). Data penelitian terdiri dari 1.969 komentar bersih yang dikumpulkan melalui teknik scraping pada periode Juli hingga September 2025. Tahapan penelitian meliputi pengambilan data, pre-processing (pembersihan, case folding, normalisasi, tokenisasi, stopword removal, dan stemming), pelabelan data manual yang divalidasi ahli bahasa, ekstraksi fitur, serta klasifikasi menggunakan SVM dengan kernel Radial Basis Function (RBF). Evaluasi model dilakukan menggunakan metode 10-Fold Cross Validation dan Confusion Matrix. Hasil penelitian menunjukkan bahwa TF-IDF memberikan kinerja yang lebih baik dibandingkan Word2Vec pada dataset ini. SVM dengan TF-IDF menghasilkan rata-rata akurasi sebesar 74,40%, sedangkan SVM dengan Word2Vec menghasilkan akurasi sebesar 72,98%. Penelitian ini menyimpulkan bahwa representasi fitur berbasis frekuensi (TF-IDF) lebih efektif dibandingkan representasi semantik (Word2Vec) dalam mengklasifikasikan sentimen komentar singkat di YouTube terkait topik IKN.
Deteksi Dini Churn Pelanggan E-Commerce Berbasis CRM di Indonesia Menggunakan Algoritma Random Forest Shahabiyah, Alifa Putri; Pasha, Zakirah Sabrina Putri; Faiza, Aliya; Ibrahim, Ali; Fathoni
Buffer Informatika Vol. 12 No. 1 (2026): 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 | DOI: 10.25134/buffer.v12i1.566

Abstract

Customer churn merupakan salah satu permasalahan utama dalam industri e-commerce karena berdampak langsung terhadap penurunan jumlah pelanggan dan pendapatan perusahaan. Meskipun berbagai penelitian telah dilakukan untuk meningkatkan akurasi prediksi churn, sebagian besar masih berfokus pada aspek teknis tanpa mengaitkannya secara langsung dengan implementasi dalam Customer Relationship Management (CRM). Oleh karena itu, penelitian ini bertujuan untuk membangun model deteksi dini churn pelanggan berbasis machine learning serta mengkaji pemanfaatannya dalam mendukung strategi CRM.Penelitian ini menggunakan dataset ulasan pelanggan e-commerce yang diolah melalui tahap preprocessing, transformasi data, dan pembentukan label churn. Model dibangun menggunakan algoritma Random Forest dengan pendekatan Cross-Validation. Hasil pengujian menunjukkan model berjalan sangat baik dengan akurasi mencapai 99,03%, presisi 76,92%, dan recall 84,42%.Hasil penelitian menunjukkan bahwa data ulasan pelanggan efektif dalam merepresentasikan perilaku pelanggan dan dapat digunakan untuk mendeteksi potensi churn sejak tahap awal interaksi. Model yang dihasilkan dapat diintegrasikan ke dalam sistem CRM untuk mendukung strategi retensi pelanggan secara proaktif melalui deteksi dini pelanggan berisiko churn.
Analisis Asosiasi Pola Perilaku Kerja Karyawan Work From Home Untuk Identifikasi Burnout Berdasarkan FP-Growth Rabbani, Muhammad Randy; Bayu Satria, Eka; Fathoni; Ibrahim, Ali
Buffer Informatika Vol. 12 No. 1 (2026): 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 | DOI: 10.25134/buffer.v12i1.568

Abstract

Perkembangan kerja jarak jauh melalui Work From Home (WFH) memberikan fleksibilitas bagi karyawan, namun juga berpotensi menimbulkan pola kerja yang tidak seimbang dan meningkatkan risiko burnout. Permasalahan tersebut mendorong perlunya analisis yang mampu mengidentifikasi kombinasi perilaku kerja yang berkaitan dengan tingkat burnout secara lebih komprehensif. Penelitian ini bertujuan untuk menganalisis pola asosiasi perilaku kerja karyawan selama WFH dalam mengidentifikasi risiko burnout menggunakan algoritma FP-Growth. Dataset publik dari Kaggle diolah melalui tahapan Knowledge Discovery in Database (KDD), meliputi seleksi data, praproses, transformasi data, penerapan FP-Growth, pembentukan association rule, dan evaluasi menggunakan support, confidence, serta lift. Hasil penelitian menunjukkan bahwa pola dengan screen_time_hours rendah, breaks_taken tinggi, work_hours rendah, dan meetings_count rendah cenderung berasosiasi dengan burnout_risk rendah. Seluruh aturan yang dihasilkan memiliki nilai confidence tinggi, yaitu 0,872–0,907, serta nilai lift di atas 1, yang menunjukkan hubungan positif antarvariabel. Dengan demikian, FP-Growth efektif digunakan untuk mengidentifikasi pola perilaku kerja yang berkaitan dengan risiko burnout pada karyawan WFH.
Classification of Depression Severity Using a Random Forest Algorithm Based on Lifestyle, Demographic, and Psychological Factors faizah, haniyah; Theonady, Oktavio; Salsabillah S, Syalwa; Fathoni; Ibrahim, Ali
Buffer Informatika Vol. 12 No. 1 (2026): 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 | DOI: 10.25134/buffer.v12i1.569

Abstract

Depression among college students is a mental health issue that impacts quality of life and academic performance. However, factors influencing depression levels such as lifestyle, demographics, and psychological factors have not yet been analyzed in an integrated manner. This study aims to develop a depression severity classification model using the Random Forest algorithm based on these factors. The dataset consists of 1,998 records with 16 features selected through the Knowledge Discovery in Database (KDD) process. To address data imbalance, the Synthetic Minority Over-sampling Technique (SMOTE) was applied. The results show that the Random Forest model achieved an accuracy of 97.88% and an AUC of 0.998. Feature importance analysis indicates that the variables Symptoms, Nervous Level, and Employment Status are dominant factors in determining depression levels. Based on these results, the model is capable of effectively classifying depression levels and has the potential to serve as the basis for an early detection system in the university setting.
Analisis Pola Keputusan Pembelian di Tokopedia berbasis Machine Learning untuk Customer Relationship Management Sabilla Janna, Andin; Juliyanti, Tamara; Samudra, Muhammad Bayu; Ibrahim, Ali; Fathoni
Buffer Informatika Vol. 12 No. 1 (2026): 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 | DOI: 10.25134/buffer.v12i1.571

Abstract

Pertumbuhan pesat platform e-commerce telah memengaruhi keputusan pembelian konsumen, khususnya pada marketplace seperti Tokopedia. Penelitian ini bertujuan menganalisis pola keputusan pembelian produk makanan dan minuman serta merumuskan implikasinya terhadap strategi Customer Relationship Management (CRM) berbasis data. Metode yang digunakan adalah pendekatan kuantitatif dengan dataset sebanyak 9.711 ulasan pelanggan yang diperoleh melalui Kaggle. Analisis dilakukan menggunakan Naive Bayes untuk klasifikasi keputusan pembelian ulang dan FP-Growth untuk menemukan pola asosiasi antara rating, harga, dan keputusan pembelian. Tahapan praproses meliputi pembersihan data, transformasi atribut, diskretisasi, serta pemrosesan teks menggunakan TF-IDF. Hasil penelitian menunjukkan bahwa Naive Bayes menghasilkan akurasi 60,18% dengan precision kelas Y sebesar 94,30%, namun recall masih dipengaruhi oleh ketidakseimbangan data. FP-Growth menunjukkan bahwa rating bintang 5 merupakan faktor paling dominan dalam pembelian ulang, dengan kombinasi rating bintang 5 dan harga sedang menghasilkan confidence tertinggi sebesar 98,6%. Temuan ini menegaskan pentingnya kepuasan pelanggan dan mendukung perumusan strategi CRM yang lebih terarah.
Analisis Sentimen Mahasiswa Program Studi Sistem Informasi UNIKU terhadap Pelayanan Akademik dan Administrasi Menggunakan Metode Naive Bayes Classifier Dede Irawan; Dyah Puteria Wati; Heru Budianto
Buffer Informatika Vol. 12 No. 1 (2026): 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 | DOI: 10.25134/buffer.v12i1.573

Abstract

Pelayanan akademik dan administrasi merupakan aspek penting dalam meningkatkan kualitas pendidikan di perguruan tinggi, karena secara langsung memengaruhi kepuasan mahasiswa. Namun, pengolahan opini mahasiswa yang berbentuk teks tidak terstruktur seringkali menjadi kendala dalam memperoleh informasi yang akurat dan objektif. Penelitian ini bertujuan untuk menganalisis sentimen mahasiswa terhadap pelayanan akademik dan administrasi menggunakan metode Naive Bayes Classifier. Data yang digunakan berupa opini mahasiswa yang dikumpulkan melalui media digital dan kuesioner. Tahapan penelitian meliputi text preprocessing yang terdiri dari cleansing, tokenizing, stopword removal, dan stemming, dilanjutkan dengan pembentukan fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Model kemudian dilatih menggunakan data latih dan diuji menggunakan data uji untuk mengklasifikasikan sentimen ke dalam kategori positif, negatif, dan netral. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode Naive Bayes Classifier mampu mengklasifikasikan sentimen mahasiswa dengan baik dan memberikan gambaran yang jelas mengenai kualitas layanan. Dengan demikian, pendekatan ini dapat digunakan sebagai alat bantu dalam pengambilan keputusan untuk meningkatkan pelayanan di perguruan tinggi.

Page 1 of 2 | Total Record : 12

 1   2 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol. 12 No. 1 (2026): Buffer Informatika Vol. 11 No. 2 (2025): Buffer Informatika Vol. 11 No. 1 (2025): Buffer Informatika Vol. 10 No. 2 (2024): Buffer Informatika Volume 2 Oktober 2024 Vol. 10 No. 1 (2024): Buffer Informatika