cover
Contact Name
Ari Fadli
Contact Email
mandiri.tematik@gmail.com
Phone
+6285643130146
Journal Mail Official
mandiri.tematik@gmail.com
Editorial Address
Perum GS Sumampir Jl. onyx no.11, Sumampir Purwokerto
Location
Kab. banyumas,
Jawa tengah
INDONESIA
Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi
ISSN : -     EISSN : 30325072     DOI : https://doi.org/10.61124/sinta.v1i3.21
Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi merupakan sarana publikasi ilmiah bagi tim peneliti, akademisi, mahasiswa, guru, maupun profesional untuk mempublikasikan hasil penelitian kepada masyarakat luas. Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi terbit 4x dalam setahun pada bulan Januari, April, Juli dan Oktober. Jurnal SINTA: Sistem Informasi dan Teknologi menerima naskah publikasi hasil penelitian pada bidang sistem dan teknologi informasi, elektro, informatika, komputer, maupun teknologi komputasi lainnya.
Articles 75 Documents
Rule-Based Mood Classification pada Chatbot Pendamping Emosional: Evaluasi, Akurasi, Latensi, dan Bias Klasifikasi Netral Galuh Kurnia Pratama
Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi Vol. 3 No. 4 (2026): SINTA: OKTOBER
Publisher : Berkah Tematik Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61124/sinta.v3i4.339

Abstract

Chatbot rule-based konvensional masih memiliki kemampuan terbatas dalam menangkap konteks emosional pengguna, khususnya pada bahasa informal dan ekspresi implisit. Penelitian ini bertujuan merancang kerangka rule-based mood logic pada chatbot GALHBOT yang mampu mendeteksi Sembilan kategori mood, menghitung intensitas ekspresi, serta menghasilkan respons berdasarkan aturan linguistik adaptif, tanpa bergantung pada model machine learning. Metode penelitian meliputi analisis kebutuhan system, perancangan logika berbasis aturan, implementasi menggunakan bahasa JavaScript berbasis lingkungan runtime Node.js, serta pengujian menggunakan dataset terkontrol yang terdiri dari 1.000 sampel dengan sembilan kategori emosi dan satu kategori netral. Hasil pengujian menunjukkan bahwa chatbot GALHBOT memiliki waktu respons rata-rata 29 ms sehingga mampu mendukung interaksi secara real-time, dengan tingkat akurasi emosi sebesar 41,0%. Analisis confusion matrix menunjukkan bahwa sistem cenderung mengklasifikasikan ekspresi yang tidak dikenali ke dalam kategori netral, terutama pada emosi dengan variasi linguistik yang tinggi. Penelitian ini menyimpulkan bahwa pendekatan rule-based dengan logika linguistik masih memiliki potensi sebagai dasar pengembangan chatbot pendamping emosional yang efisien, transparan, dan mudah diinterpretasikan, dengan peluang peningkatan melalui perluasan lexion, penyempurnaan scoring, dan pengelolaan konteks percakapan.
Analisis Sentimen Headline CNBC Indonesia Menggunakan Multinomial Logistic Regression dan TF-IDF Muhammad Yusra; Roberto Kaban
Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi Vol. 3 No. 4 (2026): SINTA: JULI (special issue Machine Learning)
Publisher : Berkah Tematik Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61124/sinta.v3i4.353

Abstract

Penelitian ini mengajarkan penerapan Multinomial Logistic Regression dengan representasi fitur Term Frekuensi Inverse Document Frekuensi (TF-IDF) untuk mengklasifikasikan sentimen pada headline berita pasar keuangan Indonesia. Dataset penelitian mencakup 9.819 headline berita CNBC Indonesia yang dipublikasikan selama Januari 2024 hingga Maret 2025dan dianotasi secara manual ke dalam tiga kategori sentimen, yaitu positif (29,4%), netral (44,4%), dan negatif (26,2%). Representasi teks dibangun menggunakan TF-IDF dengan ukuran kosakata maksimal sebanyak 5.000 kata. Berdasarkan hasil evaluasi, model memperoleh akurasi sebesar 82,43%, dengan nilai macro perception 0,8200, macro recall 0,8233, dan macro F1-score 0,8200. Pengujian menggunakan skema 5-fold cross-validation menghasilkan rata-rata akurasi 82,04%, yang menunjukkan bahwa model memiliki kemampuan generalisasi yang baik. Analisis koefisien menunjukkan bahwa istilah anjlok dan ambruk berkontribusi terhadap prediksi sentimen negatif, sedangkan borong dan melesat menjadi indikator sentimen positif. Kesalahan klasifikasi terutama ditemukan pada headline yang mengandung ambiguitas konteks. Oleh karena itu, penelitian selanjutnya dapat memanfaatkan pendekatan berbasis transformator untuk meningkatkan pemahaman konteks dan akurasi klasifikasi sentimen.
Klasifikasi Suara Paru – Paru yang ditingkatkan menggunakan SpecAugmentasi dan Mel Spectrogram Jaenal Arifin; Dony Hutabarat; Moh Nur Shodiq
Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi Vol. 3 No. 4 (2026): SINTA: JULI (special issue Machine Learning)
Publisher : Berkah Tematik Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61124/sinta.v3i4.398

Abstract

Penyakit paru-paru merupakan kontributor utama morbiditas dan mortalitas di seluruh dunia. Suara napas pada individu dapat bervariasi dari keadaan normal hingga patologis. Studi ini bertujuan untuk meningkatkan klasifikasi menggunakan SpecAugment dan Mel Spectrogram dengan validasi silang 10 fold. Dataset dikumpulkan dari database Kaggle, dataset International Conference on Biomedical and Health Informatics (ICBHI), dan dataset Rumah Sakit Fortis India. Dataset suara paru-paru terdiri dari 1363 pasien. Pra-pemrosesan meliputi konversi data audio ke sensor float, frekuensi sampling 16 kHz, dan transformasi ke Mel Spectrogram. Augmentasi data dilakukan menggunakan google brain specAugment. Dalam studi ini, kami menggunakan validasi silang 10 fold. Hasil eksperimen memperoleh nilai akurasi terbaik sebesar 95,72%, presisi 96,06%, recall 95,71%, F1-Score 95,74%, dan AUC 99,51%. Studi ini berkontribusi pada penelitian AI di bidang elektromedis dan pemrosesan sinyal. Peningkatan dataset suara paru-paru dengan menambahkan spesifikasi meningkatkan akurasi dan keandalan diagnosis gangguan suara paru-paru.
Evaluasi Tingkat Kepuasan Pengguna Aplikasi JAKI dalam Pelayanan Publik Digital Menggunakan Metode Kuantitatif Deskriptif Vilkanova Marlince Hemba; Sucitra Sahara
Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi Vol. 3 No. 4 (2026): SINTA: OKTOBER
Publisher : Berkah Tematik Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61124/sinta.v3i4.448

Abstract

Aplikasi Jakarta Kini (JAKI) merupakan super-app layanan publik Pemerintah Provinsi DKI Jakarta yang memerlukan evaluasi berkala agar tetap mudah digunakan, sementara evaluasi usability sebelumnya hanya melibatkan lima responden. Penelitian ini bertujuan mengukur kepuasan pengguna JAKI yang dioperasionalkan sebagai persepsi ketergunaan (perceived usability) berdasarkan skor System Usability Scale (SUS). Metode yang digunakan adalah kuantitatif deskriptif melalui kuesioner daring berisi 10 pernyataan SUS berskala Likert 1–5. Data dikumpulkan dari 102 pengguna di DKI Jakarta pada 18 Juli–10 Agustus 2026 dengan convenience sampling yang dikombinasikan dengan snowball sampling. Seluruh butir valid dan reliabel (Cronbach’s alpha 0,964). Rata-rata skor SUS sebesar 68,26 (grade C; median 65,0; interval kepercayaan 95% 64,4–72,2) dan tidak berbeda secara signifikan dari rata-rata global 68 (p = 0,895). Sebaran skor terbelah menjadi dua klaster, yaitu 34,3% responden berada pada grade A dan 45,1% pada grade D–F, tanpa perbedaan signifikan menurut jenis kelamin maupun kelompok usia. Butir P2 (kerumitan) memperoleh skor terendah dengan selisih antarbutir yang kecil. Simpulannya, ketergunaan JAKI yang dipersepsikan pengguna tergolong rata-rata. Karena sampel bersifat nonprobabilitas dan temuan bersifat deskriptif, hasil tidak dapat digeneralisasi kepada seluruh pengguna JAKI.
Klasifikasi penyakit Daun Tomat Berbasis Transfer Learning Menggunakan VGG16 dan ResNet50 Jihan Rifanti; Varadilla Attamimi; Farid Buamona; Kevin Marbun; Muhammad Setyawan
Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi Vol. 3 No. 4 (2026): SINTA: OKTOBER
Publisher : Berkah Tematik Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61124/sinta.v3i4.365

Abstract

Penyakit pada daun tomat menjadi salah satu penyebab utama menurunnya hasil dan kualitas panen. Metode identifikasi penyakit yang masih mengandalkan pengamatan visual secara manual cenderung memakan waktu, sangat bergantung pada pengalaman petani, dan berpotensi menghasilkan diagnosis yang kurang akurat. Penelitian ini bertujuan membandingkan performa dua arsitektur Convolutional Neural Network (CNN), yaitu VGG16 dan ResNet50, dalam mengklasifikasikan penyakit daun tomat menggunakan pendekatan transfer learning. Dataset yang digunakan berjumlah 18.835 citra daun tomat yang terbagi ke dalam sepuluh kategori penyakit dan satu kategori daun sehat. Pembagian data menerapkan teknik stratified split dengan rasio 70:15:15 untuk data latihan, validasi, dan pengujian, serta menggunakan class weighting untuk mengatasi ketidakseimbangan jumlah data antarkategori. Evaluasi kinerja model dilakukan melalui metrik akurasi, precision, recall, F1-score, confusion matrix, serta analisis kurva akurasi dan loss. Hasil pengujian menunjukkan kedua model mampu mengklasifikasikan penyakit daun tomat dengan baik, namun ResNet50 unggul dengan akurasi 98%, sementara VGG16 mencapai 92%. ResNet50 juga menghasilkan nilai precision, recall, dan F1-score lebih tinggi pada sebagian besar kategori. Temuan ini menegaskan bahwa ResNet50 lebih efisien digunakan sebagai model klasifikasi penyakit daun tomat dan berpotensi mendukung pengembangan sistem deteksi dini penyakit tanaman berbasis smart farming.