cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Muhammad Hasanuddin
Contact Email
cvraskhamediagroup@gmail.com
Phone
+6282362440765
Journal Mail Official
cvraskhamediagroup@gmail.com
Editorial Address
Jalan Gurilla No. 2 Sidorejo, Kec. Medan Tembung 20222
Location
Kota medan,
Sumatera utara
INDONESIA
Jurnal Ilmu Komputer dan Teknik Informatika
Published by CV. Raskha Media Group
ISSN : -     EISSN : 31100864     DOI : https://doi.org/10.64803/juikti
Core Subject : Science, Engineering,
Computer Science & IT Engineering
Jurnal Ilmu Komputer dan Teknik Informatika merupakan publikasi ilmiah yang diterbitkan secara berkala dan bertujuan untuk menyebarkan hasil-hasil penelitian serta kajian ilmiah di bidang ilmu komputer dan teknik informatika. JUIKTI menerima artikel-artikel penelitian orisinal, review, dan inovasi terbaru yang memberikan kontribusi signifikan terhadap perkembangan ilmu pengetahuan, teknologi, dan aplikasinya dalam berbagai sektor. Adapun scope JUIKTI mencakup beragam topik dalam ilmu komputer dan teknik informatika, antara lain teori dan algoritma komputer, kecerdasan buatan (AI), machine learning, deep learning, data mining, sistem informasi, rekayasa perangkat lunak (software engineering), teknologi jaringan, dan arsitektur komputer. Selain itu, jurnal ini juga mencakup bidang lain yang berkaitan dengan pemrograman, komputasi awan (cloud computing), big data, keamanan siber (cybersecurity), serta aplikasi informatika dalam berbagai disiplin ilmu dan industri, termasuk industri 4.0 dan Internet of Things (IoT). Fokus utama JUIKTI adalah pada pengembangan teori, metodologi, dan aplikasi praktis yang berhubungan langsung dengan penyelesaian masalah-masalah nyata dalam dunia digital. Jurnal ini bertujuan untuk menjadi wadah bagi peneliti, praktisi, dan akademisi dalam berbagi pengetahuan dan teknologi mutakhir, serta mendorong terciptanya solusi-solusi inovatif yang dapat diterapkan dalam dunia industri dan masyarakat.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 5 Documents
 1 
Search results for , issue "Vol. 1 No. 1 (2025): Januari 2025" : 5 Documents clear
Evaluasi Efisiensi Pemanfaatan Struktur Data dalam Bahasa Pemrograman Python untuk Operasi Pencarian dan Penyimpanan Cynthia, Eka Pandu; Permana, Inggih; Nursalisah, Febi; Aprijon
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 1 No. 1 (2025): Januari 2025
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v1i1.41

Abstract

Penelitian ini bertujuan untuk mengevaluasi efisiensi berbagai struktur data yang tersedia dalam bahasa pemrograman Python, khususnya dalam konteks operasi pencarian (searching) dan penyimpanan (storing). Struktur data seperti list, tuple, set, dan dictionary memiliki karakteristik dan kompleksitas waktu yang berbeda, sehingga pemilihan yang tepat sangat berpengaruh terhadap performa program, terutama pada skenario dengan data berukuran besar. Metodologi penelitian ini menggunakan pendekatan kuantitatif melalui serangkaian pengujian eksperimental terhadap masing-masing struktur data. Pengujian dilakukan dengan mengukur waktu eksekusi dan penggunaan memori dalam operasi pencarian dan penyimpanan terhadap sejumlah data dengan variasi ukuran dari kecil hingga sangat besar. Hasil pengujian menunjukkan bahwa dictionary memiliki performa terbaik dalam hal kecepatan pencarian dan penyimpanan karena memanfaatkan teknik hashing, sementara set juga menunjukkan efisiensi yang tinggi dalam pencarian tetapi lebih terbatas dalam hal penyimpanan data kompleks. Sebaliknya, list dan tuple menunjukkan efisiensi yang lebih rendah dalam pencarian karena memerlukan pencarian linear, meskipun penggunaan memori tuple lebih hemat dibanding list. Kesimpulan dari penelitian ini menekankan pentingnya pemahaman terhadap karakteristik struktur data dalam Python untuk mengoptimalkan efisiensi program, khususnya dalam sistem atau aplikasi yang mengandalkan pemrosesan data dalam jumlah besar. Implikasi dari studi ini dapat digunakan sebagai acuan bagi pengembang perangkat lunak dalam memilih struktur data yang paling sesuai berdasarkan kebutuhan spesifik dari aplikasi yang dikembangkan.
Analisis Efektivitas Penerapan Metode Waterfall dan Agile dalam Pengembangan Perangkat Lunak J. Prayoga; Hasugian, Buyung Solihin; Amru Yasir
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 1 No. 1 (2025): Januari 2025
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v1i1.42

Abstract

Pengembangan perangkat lunak yang efektif memerlukan metode yang tepat guna menjamin kualitas, waktu pengerjaan, serta kepuasan pengguna akhir. Dua metode yang umum digunakan adalah Waterfall dan Agile. Penelitian ini bertujuan untuk menganalisis efektivitas penerapan kedua metode tersebut dalam berbagai aspek pengembangan perangkat lunak, seperti fleksibilitas, kecepatan delivery, efisiensi tim, serta kemampuan adaptasi terhadap perubahan kebutuhan. Metode Waterfall dikenal dengan pendekatan bertahap dan sistematis, sedangkan Agile menawarkan pendekatan iteratif dan kolaboratif. Studi ini menggunakan pendekatan kualitatif dan kuantitatif melalui studi literatur, survei terhadap 50 praktisi TI, serta analisis studi kasus dari beberapa proyek perangkat lunak yang menggunakan kedua metode tersebut. Hasil penelitian menunjukkan bahwa metode Agile lebih unggul dalam hal fleksibilitas, kepuasan klien, dan efisiensi tim, terutama dalam proyek yang kompleks dan dinamis. Namun, metode Waterfall masih relevan diterapkan pada proyek yang memiliki kebutuhan dan ruang lingkup yang jelas sejak awal. Kesimpulan dari penelitian ini memberikan rekomendasi strategis dalam pemilihan metode berdasarkan karakteristik proyek yang dihadapi.
Analisis Perbandingan Performa Bahasa Pemrograman Populer dalam Pengembangan Aplikasi Desktop Zulham; Yasir, Amru; Muhammad Eka
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 1 No. 1 (2025): Januari 2025
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v1i1.43

Abstract

Pengembangan aplikasi desktop memerlukan pemilihan bahasa pemrograman yang tepat untuk memastikan performa, efisiensi, dan kemudahan pengembangan. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa beberapa bahasa pemrograman populer seperti Python, Java, C++, dan C# dalam konteks pengembangan aplikasi desktop. Perbandingan dilakukan berdasarkan beberapa indikator, antara lain kecepatan eksekusi, penggunaan memori, waktu kompilasi, serta kemudahan pengembangan dan pemeliharaan. Metode pengujian menggunakan serangkaian program uji dengan fungsi yang seragam, dieksekusi dalam lingkungan perangkat keras dan perangkat lunak yang sama untuk menjamin konsistensi hasil. Hasil analisis menunjukkan bahwa C++ unggul dalam kecepatan dan efisiensi memori, sementara Python lebih menonjol dalam kemudahan pengembangan dan fleksibilitas. Java dan C# menunjukkan performa yang seimbang antara efisiensi dan kemudahan pemeliharaan. Temuan ini diharapkan dapat menjadi referensi bagi pengembang dalam memilih bahasa pemrograman yang sesuai dengan kebutuhan dan karakteristik proyek desktop yang dikembangkan.
Kajian Teoritis Simulatif Mengenai Algoritma Huffman dalam Kompresi Data Teks Supiyandi; Rizal, Chairul; Apriadi, Deni; Siregar, Muhammad Noor Hasan; Iqbal, Muhammad
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 1 No. 1 (2025): Januari 2025
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v1i1.44

Abstract

Kompresi data merupakan salah satu teknik penting dalam pengelolaan informasi digital, terutama untuk efisiensi penyimpanan dan transmisi data. Algoritma Huffman dikenal sebagai salah satu metode kompresi lossless yang paling efisien dalam konteks data teks. Kajian ini bertujuan untuk menyajikan telaah teoritis yang dikombinasikan dengan pendekatan simulatif terhadap penerapan algoritma Huffman dalam proses kompresi data teks. Pembahasan diawali dengan pemaparan konsep dasar kompresi, prinsip kerja algoritma Huffman, dan analisis struktural terhadap pohon Huffman yang terbentuk dari distribusi frekuensi karakter dalam suatu dokumen teks. Simulasi dilakukan menggunakan sampel teks berbahasa Indonesia dan Inggris dengan variasi panjang dan kompleksitas karakter untuk mengamati dampak terhadap rasio kompresi, efisiensi encoding, serta performa algoritma secara keseluruhan. Hasil simulasi menunjukkan bahwa semakin tidak merata distribusi frekuensi karakter dalam data, semakin tinggi efisiensi kompresi yang dicapai. Selain itu, dibandingkan metode kompresi berbasis fixed-length encoding, algoritma Huffman mampu mengurangi ukuran file hingga lebih dari 40% dalam beberapa kasus uji, tanpa kehilangan informasi apa pun. Studi ini menegaskan pentingnya pemahaman algoritma Huffman tidak hanya dari sisi matematis, tetapi juga melalui pendekatan eksperimental untuk mengukur efektivitasnya dalam konteks data teks riil. Penulis merekomendasikan integrasi algoritma Huffman dalam sistem kompresi yang lebih luas, serta pengembangan varian algoritma untuk peningkatan performa pada data yang lebih heterogen. Kajian ini diharapkan dapat memberikan kontribusi bagi pengembangan teknologi kompresi data serta menjadi referensi awal bagi peneliti atau praktisi yang tertarik pada optimalisasi penyimpanan dan pengolahan informasi.
Pengaruh Parameter Learning Rate terhadap Konvergensi Model Neural Network dalam Proses Pelatihan Saeed, Alabbas Hussein; Cynthia, Eka Pandu; Eka, Muhammad; Nursalisah, Febi
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 1 No. 1 (2025): Januari 2025
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v1i1.45

Abstract

Dalam pengembangan model neural network, proses pelatihan memegang peranan kunci dalam menentukan kualitas generalisasi dan performa akhir model. Salah satu parameter paling krusial dalam proses pelatihan adalah learning rate, yang mengatur seberapa besar langkah pembaruan bobot dilakukan terhadap gradien fungsi kerugian. Penentuan nilai learning rate yang tepat sangat mempengaruhi kecepatan konvergensi serta stabilitas pembelajaran. Penelitian ini bertujuan untuk menganalisis secara teoritis dan eksperimental pengaruh variasi parameter learning rate terhadap konvergensi model neural network. Studi dilakukan dengan menggunakan dataset standar MNIST dan CIFAR-10 pada model multilayer perceptron (MLP) dan convolutional neural network (CNN). Parameter learning rate divariasikan dalam beberapa skenario, mulai dari sangat kecil (1e-5) hingga besar (1e-1), dan dievaluasi berdasarkan laju konvergensi, kestabilan loss, serta akurasi validasi. Hasil penelitian menunjukkan bahwa learning rate yang terlalu kecil menyebabkan proses pelatihan lambat dan berisiko terjebak dalam local minima, sementara learning rate yang terlalu besar menyebabkan fluktuasi signifikan bahkan divergensi. Ditemukan bahwa terdapat kisaran nilai learning rate optimal yang bersifat kontekstual terhadap arsitektur model dan karakteristik data. Selain itu, implementasi teknik penyesuaian dinamis seperti learning rate decay atau adaptive learning rate methods (misalnya Adam, RMSprop) secara signifikan membantu mempercepat konvergensi dan meningkatkan kestabilan pelatihan. Temuan ini menegaskan pentingnya pemilihan dan penyetelan learning rate yang tepat untuk menghindari permasalahan underfitting maupun overfitting, sekaligus memaksimalkan efisiensi pelatihan model neural network secara keseluruhan.

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol. 1 No. 2 (2025): Juli 2025 Vol. 1 No. 1 (2025): Januari 2025