cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Erwin Dwika Putra
Contact Email
erwindwikaputra87@gmail.com
Phone
+628117301187
Journal Mail Official
jurnaljcosis@gmail.com
Editorial Address
Jl. Hibrida Raya, Bengkulu 38229 Kota Bengkulu, Indonesia
Location
Unknown,
Unknown
INDONESIA
JCOSIS (Journal Computer Science and Information Systems)
Published by Yayasan Insani Mandiri Santani
ISSN : -     EISSN : 30325676     DOI : https://doi.org/10.61567/jcosis.v1i1
Core Subject : Science,
Computer Science & IT
This journal focuses on themes 1. Data Science 2. Information Technology 3. Science Technology 4. Electrical Engineering 5. Deep Learning 6. Machine Learning 7. Computer Vision 8. Image Processing JCOSIS (Journal of Computer Science and Information Systems) is a blind peer-review journal dedicated to the publication of quality research results. The journal publishes regularly twice a year, namely in May and October. The journal is published by the Insani Mandiri Santani Foundation Research and Community Service Institute. All publications in the JCOSIS journal are open which allows articles to be freely available online without a subscription. Scope JCOSIS (Journal of Computer Science and Information Systems) is intended as a media for scientific studies of research results, thoughts and critical analysis studies regarding research. As part of the spirit of disseminating knowledge resulting from extensive research and as a reference source for academics in the field of Technology and Information. JCOSIS (Journal of Computer Science and Information Systems) accepts scientific articles with research scopes on: 1. Data Science 2. Information Technology 3. Science Technology 4. Electrical Engineering 5. Deep Learning 6. Machine Learning 7. Computer Vision 8. Image Processing With articles that have primary citations and have never been published online or in print before. Every article submitted before publication will go through a Plagiarism Check process using the Turnitin Plagiarism tool with a percentage of <= 25%. If there is a major indication of plagiarism, the manuscript will be rejected for publication.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 20 Documents
 1   2 
Implementasi Notifikasi Berbasis Deteksi Gerak Menggunakan Algoritma Background Subtraction Putra, Erwin Dwika
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 1 (2025): Mei
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i1.227

Abstract

Mendeteksi gerakan merupakan suatu proses yang mengenali perubahan dalam posisi, bentuk, atau warna objek dalam suatu area dari waktu ke waktu. Penerapan teknologi ini luas, mulai dari keperluan pengawasan keamanan hingga analisis lalu lintas. Teknologi deteksi gerak bergantung pada perangkat keras dan perangkat lunak untuk mengidentifikasi perubahan yang terjadi dalam lingkungan yang diamati, seperti pergerakan manusia atau objek lainnya. Penelitian yang membahas tentang sistem deteksi gerak telah dikembangkan oleh banyak peneliti, salah satunya pemanfaatan kamera pengawas CCTV untuk mendeteksi gerak penghuni Kos [1]. pada penelitian tersebut peneliti menggunakan metode background subtraction dalam mendeteksi gerak. Walaupun sebelumnya telah ada penelitian yang berhasil dalam pengembangan algoritma deteksi gerak yang canggih, namun peneliti menemukan bahwa belum ada Penerapan notifikasi pada penelitian tersebut. Maka dalam Penelitian ini, peneliti akan melibatkan penerapan notifikasi yang memungkinkan pengguna untuk menerima pemberitahuan secara langsung mengenai perubahan yang terjadi dalam lingkungan yang sedang diamati.
Deteksi Berita Hoaks Menggunakan Model Random Forest Natural Language Processing Fitri purwaningtias
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 1 (2025): Mei
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i1.228

Abstract

Abstrak. Tujuan : Berita hoaks sering kali dibuat dengan tujuan tertentu, seperti manipulasi politik, penipuan finansial, atau sekadar menyebarkan ketakutan di kalangan masyarakat. Oleh karena itu, diperlukan metode yang efektif untuk mendeteksi dan mengklasifikasikan berita yang valid dan yang bersifat hoaks. Metode/Design/Pendekatan: Natural Language Processing (NLP) telah menjadi salah satu solusi yang banyak digunakan dalam mendeteksi berita hoaks dengan menganalisis pola bahasa yang terkandung dalam teks. Berbagai teknik NLP seperti tokenisasi, stemming, analisis sentimen, dan word embeddings dapat membantu dalam memahami karakteristik linguistik dari berita hoaks. Selain itu, model pembelajaran mesin seperti Random Forest juga dapat digunakan untuk mengklasifikasikan berita berdasarkan fitur-fitur yang diekstrak dari teks. Hasil/Temuan: Berdsarkan masalah penelitian yang telah dibahas pada penelitian ini yaitu berita hoaks sering kali dibuat dengan tujuan tertentu, seperti manipulasi politik, penipuan finansial, atau sekadar menyebarkan ketakutan di kalangan Masyarakat. Maka dibutuhkannya analisis deteksi berita hoaks yang beredar pada media sosial dimana pada penelitian ini model deteksi berita hoaks menggunakan Random Forest dan teknik NLP (TF-IDF) menunjukkan performa yang tinggi dengan akurasi di atas 90%. Model ini mampu membedakan berita hoaks dan valid secara efektif dan dapat dijadikan dasar untuk pengembangan sistem deteksi otomatis di platform berita atau media sosial. Kebaharuan/Originalitas/Nilai: Menggunakan model Random Forest pada Natural Language Processing untuk mendeteksi berita hoaks yang beredar pada media social, dengan menggunakan data public.
Komparasi Motode Support Vector Machine, Naïve Bayes, dan Random Forest Pada Natural Language Processing Terhadap Berita Negatif Marissa Utami
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 1 (2025): Mei
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i1.229

Abstract

Abstrak. Tujuan : Penyebaran berita negatif melalui media daring semakin marak dan berpotensi menyebabkan disinformasi di masyarakat. Penelitian ini bertujuan untuk membangun sistem deteksi berita negatif berbasis teks menggunakan pendekatan Natural Language Processing (NLP) Metode/Design/Pendekatan: pendekatan Natural Language Processing (NLP) dan membandingkan kinerja tiga algoritma klasifikasi: Random Forest, Support Vector Machine (SVM), dan Naive Bayes. Dataset terdiri dari kumpulan berita negatif dan valid berbahasa Indonesia yang telah melalui tahapan praproses teks seperti case folding, tokenisasi, stopword removal, dan stemming. Fitur teks diekstraksi menggunakan metode TF-IDF untuk mengubah data teks menjadi vektor numerik. Hasil/Temuan: Model dilatih dan dievaluasi menggunakan metode K-Fold Cross-Validation serta metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi sebesar 93,2%, precision 92,7%, recall 94,1%, dan F1-score 93,4%, mengungguli SVM dan Naive Bayes. Kebaharuan/Originalitas/Nilai: Temuan ini menunjukkan bahwa integrasi teknik NLP dengan model klasifikasi seperti Random Forest efektif dalam mendeteksi dan mengklasifikasikan berita negatif, serta dapat diterapkan sebagai solusi untuk mengurangi penyebaran informasi palsu di era digital.
Implementasi Arsitektur Teknologi Informasi Frmework TOGAF ADM Pada Kantor Pemerintahan Daerah Nur Ani; Ariansyah
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 1 (2025): Mei
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i1.230

Abstract

Perkembangan teknologi informasi sangat penting dalam menunjang kinerja instansi pemerintah dan pelayanan publik di Indonesia. Peningkatan kualitas pelayanan publik adalah tujuan reformasi birokrasi untuk meningkatkan kepuasan masyarakat dan efektivitas pemerintahan. Kecamatan Ciledug memerlukan peningkatan kualitas pelayanan publik, terutama dalam penyimpanan data berkas masyarakat. Saat ini, sistem yang ada hanya mencakup layanan dokumen administrasi kependudukan dan pencatatan sipil. Karena bagian lain belum memiliki sistem, banyak berkas masyarakat tercampur dan hilang. Dibutuhkan sistem baru untuk penyimpanan data, yang memerlukan perancangan arsitektur enterprise. Dikarnakan Arsitektur Enterprise membantu perkembangan perusahaan dengan memahami kondisi perusahaan secara menyeluruh dan mengelola sumber daya teknologi, aliran informasi, proses bisnis, dan strategi. Arsitektur enterprise menggunakan framework TOGAF dirasa paling cocok karena memastikan standar, komunikasi, dan metode yang konsisten. Penelitian ini menghasilkan cetak biru Arsitektur Enterprise untuk membantu Kecamatan Ciledug meningkatkan pelayanan publik, pengolahan data, pengarsipan dokumen, dan sistem informasi. Pemerintah Kecamatan Ciledug perlu meningkatkan teknologi informasinya agar dapat mengolah dan mengarsipkan dokumen dengan lebih baik melalui strategi sistem informasi yang memudahkan proses bisnis.
Metode Elimination and Choice Translating Reality (ELECTRE) Pada Multi-Criteria Decision Making (MCDM) Untuk Pembelian Kendaraan Roda Empat Hadiguna Setiawan
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 1 (2025): Mei
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i1.231

Abstract

Tujuan : Penelitian ini bertujuan untuk mengimplementasikan metode Elimination and Choice Expressing Reality (ELECTRE) dalam sistem pendukung keputusan untuk mengevaluasi dan meranking alternatif kendaraan berdasarkan data dari Car Evaluation Dataset (UCI Machine Learning Repository) Metode/Design/Pendekatan: Metode ELECTRE dipilih karena kemampuannya untuk melakukan perbandingan berpasangan dan mengeliminasi alternatif berdasarkan dominasi (concordance) dan ketidaksesuaian (discordance). Hasil/Temuan: Hasil penelitian menunjukkan bahwa metode ini mampu memberikan peringkat akhir secara objektif, di mana alternatif A5 memperoleh dominasi tertinggi sebesar 36,4%, diikuti oleh A3 dan A2. ELECTRE terbukti efektif untuk menangani konflik antar kriteria dan menghasilkan keputusan yang lebih realistis dibanding metode berbasis agregasi sederhana. Kebaharuan/Originalitas/Nilai: Penelitian ini membuktikan dengan menggunakan metode ELECTRE merupakan pendekatan yang tepat dalam evaluasi alternatif kompleks seperti pemilihan kendaraan.
Implementasi Local Binary Pattern (LBP) dan Dropout Convolutional Neural Network untuk Deteksi Dini Penyakit Kulit Putra, Erwin Dwika; Hadiguna Setiawan
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 2 (2025): Oktober
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i2.253

Abstract

Deteksi dini penyakit kulit merupakan langkah penting dalam upaya pencegahan dan penanganan dini penyakit berbahaya seperti melanoma. Penelitian ini bertujuan untuk mengembangkan model deteksi otomatis penyakit kulit berbasis citra dengan menggabungkan Local Binary Pattern (LBP) dan Dropout Convolutional Neural Network (CNN). Dataset yang digunakan adalah HAM10000, yang terdiri dari berbagai jenis citra lesi kulit beresolusi tinggi. Proses penelitian meliputi tahapan preprocessing (normalisasi, cropping, dan augmentasi), ekstraksi ciri tekstur menggunakan LBP, serta klasifikasi menggunakan CNN dengan mekanisme dropout untuk mencegah overfitting. Model dievaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa kombinasi LBP + Dropout CNN memberikan peningkatan signifikan dibandingkan CNN konvensional. Model usulan berhasil mencapai akurasi sebesar 99.45%, precision 99.21%, recall 99.43%, dan F1-Score 99.32%. Penerapan LBP meningkatkan kemampuan model dalam mengenali tekstur mikro pada permukaan kulit, sedangkan dropout meningkatkan kemampuan generalisasi model. Dengan hasil tersebut, metode yang diusulkan terbukti efektif untuk deteksi dini penyakit kulit secara otomatis dan berpotensi diterapkan dalam sistem Computer-Aided Diagnosis (CADx) berbasis kecerdasan buatan, baik di lingkungan klinis maupun aplikasi mobile untuk deteksi mandiri.
Integrasi Transfer Learning pada Inception v3 untuk Identifikasi Otomatis Jenis Buah Tropis Fitri purwaningtias
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 2 (2025): Oktober
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i2.256

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem identifikasi otomatis jenis buah tropis berbasis citra digital menggunakan model Inception v3 dengan pendekatan transfer learning. Dataset terdiri dari 12 jenis buah tropis dengan total 18.600 citra yang telah melalui proses augmentasi. Model dilatih menggunakan optimizer Adam dengan teknik fine-tuning terbatas untuk meningkatkan kemampuan generalisasi. Hasil pengujian menunjukkan bahwa model Inception v3 mampu mencapai akurasi sebesar 98,9% dan F1-score sebesar 99,1%, yang mengungguli model CNN konvensional dan ResNet50. Kinerja tinggi ini didukung oleh kombinasi strategi augmentasi data, dropout layer, dan optimasi parameter yang efektif dalam mencegah overfitting. Berdasarkan hasil tersebut, model Inception v3 terbukti mampu mengenali berbagai jenis buah tropis dengan presisi tinggi dan berpotensi diimplementasikan dalam sistem klasifikasi otomatis di sektor pertanian berbasis visi komputer.
Benchmarking CNN Konvensional dan ResNet50 dalam Klasifikasi Multi-Kelas Menggunakan Dataset CIFAR-10 Marissa Utami; Sri Handayani
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 2 (2025): Oktober
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i2.254

Abstract

Penelitian ini membahas perbandingan kinerja dua arsitektur deep learning, yaitu CNN konvensional dan ResNet50, dalam klasifikasi citra menggunakan dataset CIFAR-10. Dataset CIFAR-10 terdiri dari 60.000 citra berwarna berukuran 32×32 piksel yang terbagi ke dalam 10 kelas objek umum. Metode yang digunakan mencakup tahap preprocessing, augmentasi data, pelatihan model dengan optimizer Adam, dan evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa model ResNet50 memiliki performa yang lebih unggul dengan nilai akurasi 99.45%, presisi 99.32%, recall 99.27%, dan F1-score 99.32%, dibandingkan CNN konvensional yang hanya mencapai akurasi 96.72%. Mekanisme residual connection pada ResNet50 terbukti meningkatkan kestabilan pelatihan dan kemampuan generalisasi model terhadap data uji. Dari hasil analisis, dapat disimpulkan bahwa arsitektur ResNet50 lebih efektif untuk klasifikasi citra kompleks dibandingkan CNN konvensional. Penelitian ini memberikan kontribusi dalam pengembangan model deep learning untuk pengenalan pola visual dengan akurasi tinggi, serta membuka peluang penerapan pada bidang pengawasan visual, sistem otonom, dan analisis citra digital.
Klasifikasi Jenis Daun Tanaman Tropis Menggunakan Model ResNet50 Berbasis Transfer Learning dengan Dataset Tropical Plant Leaf Mariana Purba
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 2 (2025): Oktober
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i2.255

Abstract

Identifikasi otomatis jenis tanaman melalui klasifikasi citra daun memiliki peran penting dalam mendukung pertanian cerdas dan konservasi keanekaragaman hayati. Penelitian ini mengusulkan penerapan model ResNet50 berbasis transfer learning untuk klasifikasi jenis daun tanaman tropis dengan menggunakan Tropical Plant Leaf Dataset. Dataset ini terdiri atas ribuan citra daun dari berbagai spesies tanaman tropis yang telah melalui proses preprocessing seperti resizing, normalisasi, dan augmentasi data untuk meningkatkan kemampuan generalisasi model. Model ResNet50 yang digunakan merupakan hasil fine-tuning dari bobot pra-latih ImageNet, dilatih selama 50 epoch menggunakan optimizer Adam dan fungsi kerugian categorical cross-entropy. Hasil eksperimen menunjukkan bahwa model ResNet50 mencapai akurasi sebesar 99,45%, presisi 99,40%, recall 99,35%, dan F1-score 99,32%, serta mengungguli model CNN konvensional dan VGG16. Visualisasi Grad-CAM memperlihatkan bahwa model mampu mengenali pola venasi dan tekstur daun yang relevan secara biologis dalam proses klasifikasi. Temuan ini membuktikan bahwa ResNet50 efektif digunakan untuk klasifikasi citra daun tanaman tropis dan dapat menjadi dasar pengembangan sistem identifikasi tanaman otomatis di lingkungan pertanian tropis. Penelitian selanjutnya disarankan untuk mengintegrasikan metode ensemble learning atau attention mechanism guna meningkatkan ketahanan model terhadap variasi pencahayaan dan latar belakang citra.
Pendeteksian Penyakit Daun Padi Menggunakan Model ResNet50 dengan Optimasi Hyperparameter Ibnu Aqil
JCOSIS (Journal Computer Science and Information Systems) Vol. 2 No. 2 (2025): Oktober
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v2i2.257

Abstract

Padi (Oryza sativa) merupakan komoditas pangan utama di Indonesia yang sangat rentan terhadap serangan penyakit daun, seperti brown spot, blast, dan bacterial leaf blight. Deteksi penyakit secara manual masih memiliki keterbatasan dari segi waktu, akurasi, dan membutuhkan keahlian khusus. Penelitian ini bertujuan mengembangkan model pendeteksian penyakit daun padi berbasis deep learning menggunakan arsitektur ResNet50 dengan optimasi hyperparameter untuk meningkatkan performa model. Dataset citra daun padi dikumpulkan dari sumber terbuka, kemudian dilakukan preprocessing berupa resize, normalisasi, dan augmentasi. ResNet50 digunakan dengan metode transfer learning, sementara hyperparameter seperti learning rate, batch size, jumlah epoch, dan dropout rate dioptimasi menggunakan Bayesian Optimization. Hasil penelitian menunjukkan bahwa optimasi hyperparameter mampu meningkatkan akurasi model dari 89,7% menjadi 94,5%. Evaluasi menggunakan data uji menghasilkan nilai akurasi rata-rata sebesar 94,2%, presisi 94%, recall 94%, dan F1-score 94%. Dengan demikian, ResNet50 yang dioptimasi terbukti efektif untuk mendeteksi penyakit daun padi secara otomatis. Model ini berpotensi diimplementasikan dalam aplikasi berbasis mobile atau web untuk membantu petani dalam identifikasi penyakit secara cepat, tepat, dan efisien, sehingga dapat mendukung sistem pertanian cerdas (smart farming).

Page 2 of 2 | Total Record : 20

 1   2 

Filter by Year

2024 2025


Reset
Filter By Issues
All Issue Vol. 2 No. 2 (2025): Oktober Vol. 2 No. 1 (2025): Mei Vol. 1 No. 2 (2024): Oktober Vol. 1 No. 1 (2024): Mei