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
FKOM UNIKU Building, Department of Technics Engineering. Cut Nyak Dhien Street, No. 36A, Cijoho Sub-District, Kuningan Regency, West Java Province, Indonesia. Postal Code 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 the Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia. The journal provides a scientific forum for researchers, lecturers, practitioners, and students to publish original research articles and scholarly works in the field of Information Technology. BUFFER INFORMATIKA is a peer-reviewed journal focusing on Software Engineering and various branches of Information Technology, including but not limited to: Algorithms Computer Networks Games Software Engineering Mobile Applications Artificial Intelligence Image Processing Computer Graphics Robotics Data Mining and other Information Technology fields BUFFER INFORMATIKA is published in both print and online formats. The print version has been published since September 4, 2015, while the online version has been available since 2018. Each article is assigned a Digital Object Identifier (DOI) to ensure persistent access and citation.
Arjuna Subject : Ilmu Komputer (semua kategori) - Perangkat Lunak
Articles 45 Documents
 1   2   3   4   5 
Analisis Sentimen Ulasan Pengguna Alfagift di Google Play Store Menggunakan SVM dan Random Forest silvia nabila putri; Fahren Affandi; Ali Ibrahim; Fathoni
Buffer Informatika Vol. 12 No. 2 (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.v12i2.572

Abstract

Abstrak Meskipun Alfagift telah muncul sebagai platform belanja daring yang terkemuka di Indonesia, masih terdapat celah signifikan dalam studi sistematis mengenai kepuasan pengguna sebagaimana tercermin dalam ulasan aplikasi. Penelitian ini menjawab celah tersebut dengan mengevaluasi efektivitas algoritma Support Vector Machine (SVM) dan Random Forest dalam mengklasifikasikan sentimen pengguna ke dalam kategori positif, netral, dan negatif. Dengan memanfaatkan dataset sebanyak 2.000 ulasan yang diambil dari Google Play Store (rentang tahun 2025–2026), studi ini melibatkan pra-pemrosesan teks yang ketat, termasuk stemming dan vektorisasi TF-IDF. Untuk memitigasi tantangan ketidakseimbangan kelas, kedua model dioptimalkan menggunakan parameter class_weight='balanced'. Hasil eksperimen mengungkapkan bahwa SVM lebih mahir dalam memprediksi sentimen positif dengan akurasi 77,3%, sementara Random Forest menunjukkan presisi yang lebih tinggi dalam mendeteksi ketidakpuasan pengguna (sentimen negatif) dengan akurasi 88,6%. Pada akhirnya, studi ini berkontribusi pada literatur metodologi klasifikasi dan berfungsi sebagai alat evaluasi strategis bagi pengembang untuk meningkatkan kualitas layanan berdasarkan umpan balik pengguna. Kata Kunci: Alfagift; Analisis Sentimen; Random Forest; Support Vector Machine; Ulasan Pengguna;
Classification of Conflict Escalation and Destabilization in the Asia-Pacific Using Machine Learning Zwesty Quatra; Sella Juniastia Marsya Saputri; Imam Akbar; Fathoni
Buffer Informatika Vol. 12 No. 2 (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.v12i2.577

Abstract

The escalation of conflicts in the Asia-Pacific region risks triggering regional destabilization, yet evidence-based approaches to conflict prevention remain limited. This study aims to develop a machine learning framework to analyze the level of conflict escalation and support peacebuilding. Using a quantitative comparative design, secondary ACLED data from 2010–2025 were analyzed through a workflow encompassing data preprocessing, feature engineering, handling class imbalance using SMOTE, and evaluating four algorithms: Random Forest, XGBoost, Linear SVM, and Multi-layer Perceptron. Model performance was measured using accuracy, precision, recall, weighted F1 score, and macro AUC. The results showed that Random Forest performed best (accuracy 91.4%; weighted F1 score 91.5%; macro AUC 0.94), followed by XGBoost (accuracy 89.9%; macro AUC 0.93). Both ensemble models excelled in distinguishing low and moderate escalation classes, but their performance declined in the high and critical categories due to limitations in the original sample. Feature importance analysis revealed event type and frequency as the most significant predictors. These findings confirm the effectiveness of tree-based methods for structured conflict classification and their contribution to the development of early warning systems for conflict prevention in the Asia-Pacific region. The proposed framework supports anticipatory decision-making, timely intervention, and more efficient resource allocation for policymakers and international organizations.
Integrasi K-Means dan Random Forest untuk Prediksi Loyalitas Terhadap Retensi Pelanggan dalam Sistem CRM Gerri Asa Saputra; M. Putra Willy Nailis; M. Thoriqul Fadli; Ali Ibrahim; Fathoni
Buffer Informatika Vol. 12 No. 2 (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.v12i2.579

Abstract

Mempertahankan basis pelanggan adalah aspek penting dari Customer Relationship Management (CRM) pada era bisnis modern, tetapi analisis data transaksi mentah masih menghadapi masalah ketiadaan label loyalitas yang eksplisit. Penelitian ini mengusulkan pengembangan model analitik berbasis machine learning hibrida dengan mengintegrasikan algoritma K-Means dan Random Forest untuk mensegmentasi dan memprediksi loyalitas pelanggan secara objektif dan terukur. Studi kasus dilakukan menggunakan dataset publik transaksi ritel daring (online retail). Proses rekayasa fitur dilakukan menggunakan metode analisis Recency, Frequency, Monetary (RFM). Pendekatan unsupervised learning melalui K-Means diterapkan pada atribut Frequency dan Monetary yang telah ditransformasi untuk melabeli pelanggan ke dalam dua klaster utama, yakni loyal dan churn. Selanjutnya, Random Forest digunakan untuk memprediksi label pelanggan tersebut dengan mengisolasi variabel Recency sebagai prediktor tunggal guna mencegah kebocoran data (data leakage). Hasil implementasi dengan sampel data uji menunjukkan bahwa sistem ini mampu mengklasifikasikan pelanggan dengan akurasi keseluruhan sebesar 69,24%, dimana matriks konfusi mencatatkan identifikasi tepat sasaran sebanyak 241 pelanggan loyal dan 360 pelanggan churn. Temuan ini membuktikan bahwa integrasi K-Means dan Random Forest efektif sebagai alat prediksi loyalitas dan dapat dijadikan dasar perencanaan strategi pemasaran yang ditargetkan. Metode hibrida ini memberikan keunggulan dibandingkan analisis konvensional, yang biasanya bergantung pada asumsi klasifikasi rule-based tanpa mekanisme pelabelan algoritme yang jelas. Pendekatan ini tidak hanya menekan masalah ketiadaan variabel target, tetapi juga memberi perusahaan dasar analitis yang lebih kuat untuk menilai dan membuat keputusan tentang program retensi pelanggan.
Sistem Pendukung Keputusan Penentuan Karyawan Terbaik Berbasis Web Menggunakan Metode AHP dan SAW: Studi Kasus pada PT Tridaya Sinergi Indonesia Haris Irawan; Dede Rizal Nursamsi
Buffer Informatika Vol. 12 No. 2 (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.v12i2.636

Abstract

Penentuan karyawan terbaik merupakan salah satu proses penting dalam mendukung pengambilan keputusan pada perusahaan. Namun proses penilaian karyawan di PT Tridaya Sinergi Indonesia masih dilakukan secara manual sehingga berpotensi menimbulkan subjektivitas, inkonsistensi, serta membutuhkan waktu yang relatif lama. Penelitian ini bertujuan untuk mengembangkan Sistem Pendukung Keputusan (SPK) berbasis web menggunakan metode Analytical Hierarchy Process (AHP) dan Simple Additive Weighting (SAW). Metode AHP digunakan untuk menentukan bobot prioritas setiap kriteria, sedangkan metode SAW digunakan untuk menghitung nilai preferensi dan menentukan peringkat karyawan terbaik. Sistem dikembangkan menggunakan metode Waterfall yang meliputi tahap analisis kebutuhan, perancangan, implementasi, pengujian, dan penerapan sistem. Hasil penelitian menunjukkan bahwa sistem mampu menghasilkan proses penilaian yang lebih obyektif, cepat, dan terukur. Pengujian Black Box memperoleh tingkat keberhasilan sebesar 100%, sedangkan pengujian User Acceptance Test (UAT) memperoleh nilai 84% pada Administrator, 86% pada Kepala Cabang, dan 81,53% pada Karyawan, yang semuanya berada pada kategori sangat baik. Hasil tersebut menunjukkan bahwa sistem layak digunakan sebagai pendukung pengambilan keputusan dalam menentukan karyawan terbaik di PT Tridaya Sinergi Indonesia.
Rancang Bangun Sistem Presensi Multi-Wajah Real-Time Berbasis Web Menggunakan MTCNN dan FaceNet Iwan Lesmana Lesmana; Tito Sugiharto; Rio Priantama
Buffer Informatika Vol. 12 No. 2 (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.v12i2.656

Abstract

Sistem pencatatan kehadiran konvensional berbasis lembar tanda tangan maupun kartu fisik rentan terhadap kecurangan presensi, antrean panjang, dan inefisiensi administrasi. Teknologi computer vision menawarkan otomatisasi presensi tanpa kontak fisik, namun implementasinya di lingkungan institusi pendidikan sering terkendala kebutuhan pemrosesan banyak wajah secara simultan, pemantauan waktu nyata, serta fleksibilitas pendaftaran pengguna baru tanpa mematikan sistem. Penelitian ini merancang dan membangun sistem presensi multi-wajah real-time berbasis web terpadu dengan mengintegrasikan Multi-task Cascaded Convolutional Networks (MTCNN) untuk deteksi wajah, FaceNet (Inception-ResNet-v1) untuk ekstraksi representasi fitur 512-dimensi, dan Centroid Tracker untuk pelacakan lintasan temporal antar-frame video. Sistem dilengkapi antarmuka web Flask dengan fitur inovatif Pending Enrollment yang memfasilitasi pendaftaran wajah baru langsung dari aliran video aktif tanpa server downtime. Pengujian fungsional black-box menunjukkan seluruh delapan skenario fitur utama berhasil seratus persen. Pengujian throughput pada prosesor CPU standar menghasilkan kecepatan 14.99 hingga 17.59 frame per detik dengan optimasi frame-skip. Pada validasi operasional menggunakan rekaman video lorong pengawasan nyata ChokePoint resolusi 800x600 piksel, sistem berhasil mendeteksi dan melacak multi-wajah secara simultan dengan akurasi pengenalan subjek terdaftar 84.0 persen, False Acceptance Rate nol persen, dan tanpa kejadian pertukaran identitas. Prototipe ini terbukti stabil, efisien, dan siap diimplementasikan untuk otomatisasi presensi cerdas di lingkungan kampus.

Page 5 of 5 | Total Record : 45

 1   2   3   4   5 

Filter by Year

2024 2026


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