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 40 Documents
 1   2   3   4 
Aplikasi Pendataan Mahasiswa Merdeka Belajar Kampus Merdeka di Program Studi Berbasis Web Nurhayati, Yati; Gina Supratman, sherly; Ismaya, Rachmat
Buffer Informatika Vol. 10 No. 2 (2024): Buffer Informatika Volume 2 Oktober 2024
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

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

Abstract

Mahasiswa dituntut tidak hanya untuk meningkatkan kompetensi dibidangnya tetapi juga harus dapat meningkatkan softskill yang dimiliki agar mampu bersaing di dunia kerja, hardskill dan softskill tersebut diperoleh tidak hanya dari pembelajaran di dalam kampus tetapi juga di luar kampus agar mahasiswa dapat mengikuti perkembangan ilmu dan teknologi pada dunia nyata saat ini (Dunia Usaha/Dunia Industri). Salah satu pembelajaran di luar kampus dapat dilakukan mahasiswa melalui program kegiatan Merdeka Belajar Kampus Merdeka (MBKM) dan melalui lomba-lomba baik skala nasional maupun internasional. Tingginya antusiasme mahasiswa dalam mengikuti kegiatan ini dapat dilihat dari banyaknya mahasiswa program studi Teknik Informatika Fakultas Ilmu Komputer Universitas Kuningan yang mengikuti kegiatan tersebut dengan hasil kegiatan yang sangat baik (project maupun nilai yang diperoleh mahasiswa mencapai target Learning Outcome dari masing-masing program yang diikuti mahasiswa tersebut), akan tetapi program studi mengalami kendala dalam melakukan pendataan mahasiswa yang mengikuti program-program tersebut dikarenakan pendataan masih menggunakan kertas sehingga rentan hilang/rusak, sulit dalam melakukan pencarian data maupun pembuatan laporan. Oleh karena itu, dibutuhkan sebuah aplikasi terintegrasi dimana didalamnya dapat membantu pihak lembaga internal (program studi dan fakultas) dalam mendata dan memonitoring hasil kegiatan MBKM maupun lomba mahasiswa, sehingga dapat dijadikan sebagai bahan evaluasi dalam peningkatan kualitas program studi khususnya. Tujuan penelitian ini membuat sebuah aplikasi yang dapat memudahkan program studi Teknik Informatika dalam mengelola dan memonitoring data mahasiswa yang mengikuti program MBKM, memudahkan Dekan, Wakil Dekan 1, PIC dan Dosen Pembimbing Internal program MBKM dalam memonitoring hasil kegiatan mahasiswa yang mengikuti program MBKM.
Implementasi Algoritma K-Means Dalam Analisis Distribusi Pangkalan LPG 3kg Di Kota Palembang Shofi Salsabila; 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 | DOI: 10.25134/buffer.v11i2.385

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 Shofi Salsabila; Mutia Sahira; Adella Salsabila; Aulia Najibah Putri; Ken Ditha Tania; Winda Kurnia Sari
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 | DOI: 10.25134/buffer.v11i2.401

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 Awaliyah Afra; Muhammad Fauzan Dzika; Zidan Reksa Pratama; Satria Wibowo
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 | DOI: 10.25134/buffer.v11i2.406

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; Wawan Joko Pranoto
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 | DOI: 10.25134/buffer.v11i2.472

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 | DOI: 10.25134/buffer.v11i2.476

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; Wawan Joko Pranoto
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 | DOI: 10.25134/buffer.v11i2.477

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 Siti Patimah; Rudiman; Fendy Yulianto
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 | DOI: 10.25134/buffer.v11i2.480

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
Implementasi Sistem Perpustakaan SMA Negeri 1 Ciwaru Menggunakan Model Analytical Customer Relationship Management (e-CRM) Puteriawati, Dyah; Nur Adiati, Niken; Nugraha, Dadan; Permana, Aji
Buffer Informatika Vol. 11 No. 1 (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

Perpustakaan merupakan bagian yang sangat erat kaitanya dengan sekolah, dimana perpustakaan sebagai sarana dalam menyediakan literatur-literatur yang dapat mendukung kegiatan pembelajaran. Dalam hal ini, bukan hanya siswa yang membutuhkan perpustakaan, akan tetapi guru, mahasiswa, dosen dan masyarakat sangat membutuhkan perpustakaan untuk menunjang kebutuhan literatur dalam mendukung pembelajaran. SMA Negeri 1 Ciwaru yang merupakan sekolah menengah atas yang sudah menggunakan perpustakaan sebagai sarana penunjang pembelajaran, permasalahan yang saat ini sedang terjadi yaitu sekolah belum mempunyai sistem perpustakaan yang digunakan untuk berbagai transaksi, termasuk proses peminjaman, pengembalian sampai dengan pembuatan laporan oleh petugas perpustakaan. Sehingga dibutuhkan sebuah sistem yang terkomputerisasi dalam membantu proses-proses tersebut. Penelitian ini merancang sebuah website dengan menggunakan strategi pendekatan Customer Relationship Management (CRM) yang memuat 1 tahapan CRM, yaitu Enhance. Metode pengumpulan data dalam penelitian ini menggunakan dengan observasi langsung, wawancara serta dokumentasi. Pemodelan yang digunakan dalam penelitian adalah dengan Analisis dan Perancangan Berorientasi Obyek dengan menggunakan Unified Modelling Languange (UML). Sistem e-CRM ini dibangun dengan menggunakan Hypertext Preprocessor (PHP) sebagai bahasa pemograman dan database MySQL. Penelitian ini menghasilkan sebuah sistem e-CRM berbasis website yang dapat meningkatkan pelayanan di perpustakaan SMA Negeri 1 Ciwaru yang meliputi fitur peminjaman, pengembalian, donasi buku, request dan booking buku, pembuatan laporan serta penanganan komplain yang dapat membantu kelancaran proses transaksi dan hubungan bagi sekolah serta siswa
Prediksi Angka Perceraian Menggunakan Machine Learning Kemal Pasha; Kusrini
Buffer Informatika Vol. 11 No. 1 (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

Peningkatan jumlah perceraian telah menjadi masalah sosial yang signifikan di berbagai negara, termasuk Indonesia dan Malaysia. Berdasarkan laporan Badan Pusat Statistik Indonesia, terdapat 516.334 kasus perceraian pada tahun 2022, yang meningkat sebesar 15,3% dibandingkan 447.743 kasus pada tahun 2021. Penelitian ini bertujuan untuk mengembangkan model prediksi jumlah perceraian di Indonesia menggunakan metode Long Short-Term Memory (LSTM), yang dikenal dengan kemampuannya dalam menangkap pola temporal pada data berurutan. Dataset penelitian mencakup data selama 10 tahun (2015–2024) yang diperoleh dari Pengadilan Agama Tanjung Pati dan Badan Pusat Statistik, meliputi empat variabel utama: Upah Minimum Regional (UMR), harga beras, perkara cerai talak, dan perkara cerai gugat. Data diproses menggunakan MinMaxScaler dan dibagi menjadi data latih (80%) dan data uji (20%). Model LSTM dibangun dengan 64 unit pada layer LSTM dan 32 unit pada dense layer, serta dilatih selama 100 epoch. Hasil penelitian menunjukkan bahwa model LSTM mencapai Mean Squared Error (MSE) sebesar 0,00002033 ,yang merupakan performa terbaik dibandingkan metode lainnya. Support Vector Regression (SVR) menghasilkan MSE sebesar 0,01022, diikuti oleh Multilayer Perceptron (MLP) dengan MSE 0,01144, dan Extreme Learning Machine (ELM) dengan MSE 0,02969. Penelitian sebelumnya oleh Aimran et al. juga menunjukkan bahwa Decision Tree (C5.0) memiliki akurasi sebesar 77,96%,Penelitian ini menyimpulkan bahwa LSTM adalah pendekatan yang sangat menjanjikan untuk memprediksi angka perceraian di Indonesia, dengan potensi untuk diterapkan pada dataset yang lebih besar dan seimbang. Hasil ini memberikan kontribusi penting dalam analisis data sosial dan dapat menjadi dasar dalam perencanaan kebijakan untuk mengatasi peningkatan angka perceraian.

Page 2 of 4 | Total Record : 40

 1   2   3   4 

Filter by Year

2024 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