cover
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)
ISSN : -     EISSN : 30325676     DOI : https://doi.org/10.61567/jcosis.v1i1
Core Subject : Science,
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.
Articles 37 Documents
Optimasi Klasifikasi Keluhan Pengguna E-Wallet Berbasis Deep Learning IndoBERT untuk Mendukung Manajemen Layanan TI sarah astiti; Yeyi Gusla Nengsih; Khairunnisa Samosir; Darmansah Darmansah
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 2 (2026): October
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i2.307

Abstract

Abstract. Purpose: The increasing use of e-wallets in Indonesia has led to an increasingly diverse number of user complaints related to digital services, necessitating a classification method capable of quickly and accurately grouping complaints to support IT Service Management. This study aims to optimize the classification of e-wallet user complaints using IndoBERT and examine its use in supporting service desk and incident management processes. Method/Design/Approach: The study used a quantitative approach and research data were obtained from user reviews of e-wallet applications on the Google Play Store platform, consisting of seven categories: Transactions, Top Up, Balance, Login, Verification, Applications, and Customer Service, with 100 data points each. The dataset was stratified into 560 training data points (80%), 70 validation data points (10%), and 70 testing data points (10%). The research stages included preprocessing, labeling, IndoBERT tokenization, fine-tuning, hyperparameter optimization, and evaluation using accuracy, precision, recall, F1-score, and confusion matrix. Results/Findings: Experimental results show that IndoBERT Baseline achieved 98.57% accuracy, while IndoBERT Optimization achieved 100% accuracy, precision, recall, and F1-score. The Confusion Matrix shows that all 70 test data sets were correctly classified. Novelty/Originality/Value: The contribution of this research lies in optimizing the IndoBERT model to classify e-wallet complaints based on IT service problem categories and utilizing the classification results to support IT Service Management processes, specifically complaint categorization, incident grouping, and service desk.
Prototipe Web Sistem Pendukung Keputusan Risiko Stunting Balita Berbasis Certainty Factor dan Evidence Base Muhammad Nurwegiono; Paulus Lucky Tirma Irawan; Ummu Ditya Erliana; Mahendra Data
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 2 (2026): October
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i2.310

Abstract

Tujuan : Mengembangkan prototipe web Sistem Pendukung Keputusan (SPK) risiko stunting balita yang modular, dapat diaudit, dan mampu menelusuri dasar pengetahuan dari hasil asesmen hingga evidence ilmiah. Metode/Design/Pendekatan: Prototipe dikembangkan menggunakan arsitektur Model-View-Controller dengan PHP 8.1, MySQL, Bootstrap 5, dan JavaScript. Data mentah dipisahkan dari derivasi indikator, Rule Base, Evidence Base, parameter Certainty Factor (CF), dan inference trace. Verifikasi perangkat lunak dilakukan melalui delapan skenario functional walkthrough dan lima regression test mesin inferensi terhadap perhitungan manual. Hasil/Temuan: Seluruh 8 dari 8 skenario fungsional memenuhi keluaran yang diharapkan (100%). Seluruh 5 dari 5 regression test menghasilkan nilai identik pada presisi tiga desimal (100% konsisten; selisih absolut maksimum 0,000). Hasil tersebut membuktikan konsistensi implementasi perangkat lunak, bukan validitas klinis model. Kebaharuan/Originalitas/Nilai: Kontribusi utama penelitian adalah prototipe web yang memisahkan knowledge base dari source code serta menyediakan Evidence Base dan inference trace sehingga hasil dapat ditelusuri ke rule, indikator, dan evidence. Prototipe merupakan proof of concept dan belum ditujukan sebagai pengganti keputusan klinis.
Multi-Task Learning Berbasis Seleksi Fitur Stabil untuk Klasifikasi Komplikasi Mikrovaskular Diabetes Hamzah Setiawan; Ade Eviyanti
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 2 (2026): October
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i2.313

Abstract

Tujuan : Mengevaluasi pengaruh seleksi fitur berbasis stabilitas dan pembobotan kelas terhadap klasifikasi retinopati, neuropati, dan nefropati diabetik menggunakan multi-task learning (MTL). Metode/Design/Pendekatan: Dari 100.000 rekam dataset publik, 27.407 rekam berstatus diabetes positif dianalisis. Sebanyak 18 dari 41 prediktor numerik dipilih menurut frekuensi ranking ANOVA F pada 20 subsampel pelatihan. Model logistic regression dan tiga konfigurasi MTL diuji dengan pembagian train/validasi/test sebesar 19.184/4.111/4.112 rekam. Average precision (AP) digunakan untuk setiap label, sedangkan macro-AUPRC merupakan rata-rata AP ketiga label. Hasil MTL dilaporkan sebagai rerata ± simpangan baku dari tiga seed. Hasil/Temuan: MTL 41 fitur memperoleh macro-AUPRC tertinggi (0,1485 ± 0,0028), dibandingkan MTL 18 fitur (0,1454 ± 0,0024) dan MTL 18 fitur dengan weighted BCE (0,1449 ± 0,0043). AP per label pada MTL 41 fitur adalah 0,1440 (retinopati), 0,1847 (neuropati), dan 0,1167 (nefropati). Pengurangan prediktor sebesar 56,1% belum memperbaiki kinerja rata-rata. Kebaharuan/Originalitas/Nilai: Studi ablasi pada tiga label komplikasi secara bersama memperlihatkan bahwa konsistensi seleksi fitur pada subsampel tidak menjamin peningkatan macro-AUPRC. Evaluasi satu pembagian data belum membuktikan kesiapan klinis.   Kata Kunci: diabetes; komplikasi mikrovaskular; multi-task learning; seleksi fitur berbasis frekuensi resampling; klasifikasi multilabel.
Klasifikasi Sampah Non-Organik Menggunakan EfficientNet-B0 dengan Visualisasi Grad-CAM Erwin Dwika Putra; Marissa Utami
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 2 (2026): October
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i2.314

Abstract

Tujuan : Penelitian ini mengevaluasi EfficientNet-B0 untuk klasifikasi sampah non-organik dan menganalisis hasil prediksinya menggunakan Grad-CAM. Metode/Design/Pendekatan: Dataset TACO digunakan untuk mengklasifikasikan lima kategori material, yaitu plastik, logam, kaca, kertas/karton, dan busa/styrofoam. Objek diekstraksi menggunakan anotasi bounding box. EfficientNet-B0 diterapkan melalui transfer learning dan dievaluasi menggunakan accuracy, precision, recall, serta F1-score. Visualisasi Grad-CAM digunakan untuk mengamati area citra yang berkontribusi terhadap prediksi. Hasil/Temuan: Pada 323 objek uji, model memperoleh akurasi 54,49%, macro precision 44,19%, macro recall 53,27%, macro F1-score 45,75%, dan weighted F1-score 56,99%. Kelas plastik memperoleh F1-score tertinggi (0,66), sedangkan kaca terendah (0,25). Grad-CAM menunjukkan perbedaan pola visual antara prediksi benar dan salah. Kebaharuan/Originalitas/Nilai: Penelitian ini menggabungkan evaluasi EfficientNet-B0 dan analisis Grad-CAM untuk mengkaji kinerja klasifikasi serta bukti visual dalam klasifikasi sampah non-organik.
Studi Komparatif Kinerja Gain Antena Mikrostrip T-Slot Elemen Tunggal Dan Array Yunus Alpindo; Hendy Santosa; Reza Satria Rinaldi; Fitrilina; Faisal Hadi; junas haidi
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 2 (2026): October
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i2.315

Abstract

Tujuan : Penelitian ini bertujuan untuk meningkatkan gain antena mikrostrip yang beroperasi pada frekuensi resonansi 2,3 GHz melalui penambahan slot berbentuk T dan penerapan konfigurasi array 4 × 2. Metode/Design/Pendekatan: Penelitian menggunakan metode perancangan dan simulasi antena mikrostrip dengan substrat dielektrik RT6006. Perancangan dilakukan melalui tiga tahap, yaitu desain antena mikrostrip persegi panjang tunggal, penambahan slot berbentuk T, dan penerapan konfigurasi array 4 × 2 untuk meningkatkan gain serta mengarahkan pola radiasi antena. Hasil/Temuan: Hasil simulasi menunjukkan bahwa penambahan slot berbentuk T meningkatkan kinerja parameter ( ) dari −22,14 dB menjadi −47,79 dB. Penerapan konfigurasi array 4 × 2 meningkatkan gain dari 4,37 dBi menjadi 12,1 dBi, dengan penurunan Half-Power Beamwidth (HPBW) dari 125,4° menjadi 27,5°. Secara keseluruhan, konfigurasi array menghasilkan peningkatan gain sebesar 7,73 dB dibandingkan dengan antena mikrostrip berslot T tunggal. Kebaharuan/Originalitas/Nilai: Kebaruan penelitian ini terletak pada pengembangan antena mikrostrip slot T menggunakan konfigurasi array 4 × 2 untuk meningkatkan gain sekaligus menghasilkan pola radiasi yang lebih terarah pada frekuensi 2,3 GHz. Desain ini berpotensi diterapkan pada sistem radar, komunikasi satelit, dan komunikasi nirkabel yang membutuhkan antena dengan penguatan tinggi dan lebar berkas radiasi yang lebih sempit.
Analisis Pengaruh Label Smoothing terhadap Ketahanan Model CNN–BiLSTM pada Klasifikasi Sentimen Ulasan Aplikasi Berbahasa Indonesia Marissa Utami; Erwin Dwika Putra
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 2 (2026): October
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i2.318

Abstract

Abstrak. Tujuan : Penelitian ini bertujuan menganalisis pengaruh label smoothing terhadap ketahanan model CNN–BiLSTM dalam klasifikasi sentimen ulasan aplikasi berbahasa Indonesia pada berbagai tingkat korupsi label (label noise). Metode/Design/Pendekatan: Penelitian menggunakan pendekatan eksperimen kuantitatif dengan 2.428 ulasan dari aplikasi MyTelkomsel, DANA, dan Shopee. Label sentimen ditentukan berdasarkan rating pengguna, dengan pembagian data training, validasi, dan test sebesar 70:15:15. Eksperimen melibatkan empat tingkat label noise (0%, 10%, 20%, dan 30%) serta empat nilai label smoothing (0,00; 0,05; 0,10; dan 0,20), sehingga menghasilkan 16 konfigurasi. Evaluasi dilakukan menggunakan accuracy, Macro-F1, Matthews Correlation Coefficient (MCC), dan kurva pembelajaran. Hasil/Temuan: Nilai label smoothing 0,10 menghasilkan Macro-F1 sebesar 0,5831 dan MCC sebesar 0,7253 pada noise 0%, serta Macro-F1 sebesar 0,5493 dan MCC sebesar 0,6311 pada noise 20%. Namun, pada noise 10% dan 30%, konfigurasi tanpa smoothing menghasilkan Macro-F1 lebih tinggi. Kurva pembelajaran menunjukkan indikasi overfitting, dengan validation loss terendah pada epoch kedua pada konfigurasi yang dianalisis. Kebaharuan/Originalitas/Nilai: Penelitian ini menyajikan analisis komparatif pengaruh label smoothing pada berbagai tingkat korupsi label dalam klasifikasi sentimen ulasan aplikasi berbahasa Indonesia. Hasil menunjukkan bahwa manfaat label smoothing bergantung pada tingkat label noise dan belum konsisten pada seluruh skenario yang diuji.
Analisis Pemanfaatan Artificial Intelligence sebagai Pendukung Transformasi Digital Pendidikan pada Mahasiswa di Program Studi Sistem Informasi Universitas Terbuka Deny Budiyanto; Lintang Patria; Tia Andriani
JCOSIS (Journal Computer Science and Information Systems) Vol. 3 No. 2 (2026): October
Publisher : Institute for Research and Community Service

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61567/jcosis.v3i2.319

Abstract

Tujuan: Penelitian ini bertujuan menganalisis pengaruh Artificial Intelligence (AI) terhadap proses belajar mahasiswa serta menguji peran sistem informasi sebagai variabel mediasi pada mahasiswa Program Studi Sistem Informasi Universitas Terbuka. Metode/Design/Pendekatan: Penelitian ini menggunakan pendekatan kuantitatif dengan metode Partial Least Squares–Structural Equation Modeling (PLS-SEM) melalui SmartPLS. Data diperoleh melalui kuesioner skala Likert lima poin yang disebarkan kepada 75 mahasiswa. Model penelitian melibatkan AI sebagai variabel independen, sistem informasi sebagai mediator, dan proses belajar sebagai variabel dependen. Hasil/Temuan: Hasil menunjukkan bahwa AI berpengaruh positif terhadap sistem informasi (0,492), proses belajar (0,377), dan sistem informasi berpengaruh positif terhadap proses belajar (0,369). Pengujian mediasi menunjukkan pengaruh tidak langsung sebesar 0,183 (p = 0,005), yang membuktikan peran mediasi parsial sistem informasi. Kebaruan/Originalitas/Nilai: Kebaruan penelitian terletak pada pengujian sistem informasi sebagai variabel mediasi dalam hubungan AI dan proses belajar mahasiswa pada pendidikan tinggi jarak jauh. Hasil penelitian memberikan kontribusi empiris bagi pengembangan integrasi AI dan sistem informasi untuk mendukung pembelajaran digital.

Page 4 of 4 | Total Record : 37