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 25 Documents
 1   2   3 
Pengembangan Website Profil Sekolah Berbasis Progressive Web Application Menggunakan Pendekatan User-Centered Design untuk Meningkatkan Aksesibilitas Informasi dan Pengalaman Pengguna Ibnu Aqil
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 1 (2026): May
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i1.274

Abstract

Tujuan : Perkembangan teknologi informasi dan meningkatnya penggunaan perangkat mobile menuntut institusi pendidikan untuk menyediakan layanan informasi yang mudah diakses, cepat, dan responsif. SMK YPT Pembangunan Palembang masih menghadapi kendala dalam penyebaran informasi sekolah yang terbatas pada media konvensional sehingga informasi belum dapat menjangkau seluruh masyarakat secara optimal. Penelitian ini bertujuan mengembangkan website profil sekolah berbasis mobile untuk meningkatkan aksesibilitas dan kualitas informasi sekolah. Metode/Design/Pendekatan: Metode penelitian yang digunakan meliputi identifikasi masalah, studi literatur, analisis kebutuhan sistem, perancangan sistem, pengembangan website, pengujian sistem, implementasi, dan evaluasi. Website dikembangkan menggunakan konsep Responsive Web Design (RWD) sehingga dapat diakses melalui berbagai perangkat. Hasil/Temuan: Hasil pengujian menunjukkan tingkat keberhasilan fungsional sistem sebesar 100%, tingkat responsivitas website sebesar 100%, skor aksesibilitas sebesar 94%, serta nilai usability berdasarkan System Usability Scale (SUS) sebesar 84,6 yang termasuk kategori Excellent. Selain itu, hasil evaluasi kepuasan pengguna menunjukkan nilai rata-rata sebesar 88,8% yang berada pada kategori sangat baik. Kebaharuan/Originalitas/Nilai: Hasil penelitian membuktikan bahwa website profil sekolah berbasis mobile mampu meningkatkan aksesibilitas informasi, kualitas layanan digital, dan efektivitas komunikasi antara sekolah dengan masyarakat sehingga dapat mendukung transformasi digital di lingkungan pendidikan.
Implementasi Grad-CAM pada EfficientNet untuk Deteksi Tingkat Kematangan Buah Sawit Berbasis Citra Digital Erwin Dwika Putra; Mariana Purba
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 1 (2026): May
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i1.275

Abstract

Tujuan : Penelitian ini bertujuan untuk mengimplementasikan metode Explainable Deep Learning menggunakan EfficientNetB0 dan Grad-CAM dalam mendeteksi tingkat kematangan buah kelapa sawit berbasis citra digital. Dataset yang digunakan berasal dari Annotated Datasets of Oil Palm Fruit Bunch Piles for Ripeness Grading yang terdiri dari beberapa kelas kematangan buah sawit. Metode/Design/Pendekatan: Tahapan penelitian meliputi preprocessing data, augmentasi citra, pembagian dataset, pelatihan model EfficientNetB0 berbasis transfer learning, evaluasi performa model, serta visualisasi interpretasi menggunakan Grad-CAM. Hasil/Temuan: Hasil penelitian menunjukkan bahwa model EfficientNetB0 mampu menghasilkan performa klasifikasi yang sangat baik dengan nilai accuracy sebesar 95,21%, precision sebesar 94,87%, recall sebesar 94,53%, dan F1-score sebesar 94,69%. Implementasi Grad-CAM berhasil memberikan visualisasi heatmap yang menunjukkan area citra paling berpengaruh terhadap hasil klasifikasi, dengan fokus utama model berada pada warna buah sawit sebesar 48% dan tekstur buah sebesar 27%. Kebaharuan/Originalitas/Nilai: Hasil penelitian membuktikan bahwa kombinasi EfficientNetB0 dan Grad-CAM mampu menghasilkan sistem klasifikasi kematangan buah sawit yang akurat, efisien, dan interpretable untuk mendukung penerapan Artificial Intelligence pada sektor perkebunan modern.
Perbandingan U-Net dan DeepLabV3+ pada Segmentasi Perkebunan Kelapa Sawit Berbasis Remote Sensing Marissa Utami
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 1 (2026): May
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i1.276

Abstract

Tujuan : Penelitian ini bertujuan untuk membandingkan performa metode U-Net dan DeepLabV3+ pada segmentasi area perkebunan kelapa sawit berbasis remote sensing menggunakan Open Benchmark Dataset Oil Palm Indonesia. Penelitian dilakukan melalui beberapa tahapan yaitu preprocessing citra satelit, data augmentation, pembagian dataset, pelatihan model semantic segmentation, evaluasi performa, dan visualisasi hasil segmentasi. Metode/Design/Pendekatan: Metode U-Net digunakan karena memiliki arsitektur encoder-decoder dengan skip connection, sedangkan DeepLabV3+ memanfaatkan atrous convolution dan Atrous Spatial Pyramid Pooling (ASPP) untuk menangkap fitur multiskala pada citra satelit. Evaluasi model dilakukan menggunakan metrik Intersection over Union (IoU), Dice Coefficient, Precision, Recall, dan Pixel Accuracy. Hasil/Temuan: Hasil penelitian menunjukkan bahwa DeepLabV3+ memiliki performa yang lebih baik dibandingkan U-Net dengan nilai IoU sebesar 84,15%, Dice Coefficient sebesar 88,31%, Precision sebesar 86,92%, Recall sebesar 89,47%, dan Pixel Accuracy sebesar 94,63%. Sementara itu, U-Net memperoleh nilai IoU sebesar 78,42% dan Pixel Accuracy sebesar 91,18%. Kebaharuan/Originalitas/Nilai: Hasil visualisasi segmentasi juga menunjukkan bahwa DeepLabV3+ mampu menghasilkan segmentasi area perkebunan sawit yang lebih detail dan presisi. Penelitian ini membuktikan bahwa DeepLabV3+ lebih efektif digunakan pada segmentasi perkebunan kelapa sawit berbasis citra satelit untuk mendukung sistem monitoring lahan berbasis Artificial Intelligence.
Explainable Transformer-Based Fake News Detection pada Media Sosial Indonesia Menggunakan IndoBERT dan SHAP Fitri purwaningtias
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 1 (2026): May
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i1.277

Abstract

Tujuan : Perkembangan media sosial di Indonesia meningkatkan penyebaran informasi secara cepat, namun juga memicu meningkatnya penyebaran berita palsu (fake news) yang berdampak pada opini publik dan stabilitas sosial. Penelitian ini bertujuan membangun sistem deteksi fake news berbasis Explainable Transformer menggunakan IndoBERT dan SHAP pada media sosial Indonesia. Dataset penelitian diperoleh dari Indonesian Hoax News Dataset, Kaggle Indo Fake News Dataset, dan data Twitter/X Indonesia dengan total 18.450 data teks. Metode/Design/Pendekatan: Metode penelitian meliputi preprocessing teks, tokenisasi, stemming, pelatihan model IndoBERT, evaluasi performa menggunakan confusion matrix, serta interpretasi model menggunakan SHAP (SHapley Additive exPlanations). Hasil/Temuan: Hasil penelitian menunjukkan bahwa model IndoBERT memperoleh accuracy sebesar 94,21%, precision sebesar 93,84%, recall sebesar 94,67%, F1-score sebesar 94,25%, dan ROC-AUC sebesar 95,11%. Visualisasi SHAP menunjukkan bahwa token seperti “viral”, “sebarkan”, dan “bocor” memiliki kontribusi tinggi terhadap prediksi fake news, sedangkan token “resmi” dan “klarifikasi” berkontribusi terhadap prediksi real news. Kebaharuan/Originalitas/Nilai: Penelitian ini membuktikan bahwa integrasi IndoBERT dan Explainable AI mampu meningkatkan akurasi sekaligus transparansi sistem deteksi berita palsu pada media sosial
Automatic Network Incident Classification Menggunakan IndoBERT Cahyo Prihantoro
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 1 (2026): May
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i1.278

Abstract

Abstrak. Tujuan : Perkembangan infrastruktur jaringan komputer dan layanan digital menyebabkan peningkatan volume log jaringan serta kompleksitas insiden keamanan siber. Analisis log jaringan secara manual memerlukan waktu yang lama dan rentan terhadap kesalahan sehingga dibutuhkan sistem klasifikasi insiden jaringan secara otomatis. Penelitian ini bertujuan membangun sistem Automatic Network Incident Classification menggunakan IndoBERT untuk mengklasifikasikan insiden jaringan berbasis log teks. Metode/Design/Pendekatan: Dataset penelitian diperoleh dari HDFS Log Dataset, BGL Log Dataset, dan Syslog Dataset dengan total 52.430 data log. Metode penelitian meliputi preprocessing log, tokenisasi, representasi teks menggunakan IndoBERT, pelatihan model klasifikasi, serta evaluasi performa menggunakan confusion matrix dan ROC-AUC. Hasil/Temuan: Hasil penelitian menunjukkan bahwa model IndoBERT memperoleh accuracy sebesar 95,37%, precision sebesar 94,92%, recall sebesar 95,81%, F1-score sebesar 95,36%, dan ROC-AUC sebesar 96,14%. Model mampu memahami hubungan semantik antar log jaringan seperti intrusion activity, authentication failure, dan network anomaly secara efektif. Kebaharuan/Originalitas/Nilai: Penelitian ini membuktikan bahwa pendekatan NLP berbasis Transformer mampu meningkatkan akurasi klasifikasi insiden jaringan serta mendukung pengembangan sistem keamanan jaringan cerdas berbasis Artificial Intelligence.

Page 3 of 3 | Total Record : 25

 1   2   3 

Filter by Year

2024 2026


Reset
Filter By Issues
All Issue Vol. 3 No. 1 (2026): May Vol. 2 No. 2 (2025): Oktober Vol. 2 No. 1 (2025): Mei Vol. 1 No. 2 (2024): Oktober Vol. 1 No. 1 (2024): Mei