Jurnal Komtika (Komputasi dan Informatika)
Aims Jurnal Komtika (Komputasi dan Informatika) is a scientific journal published by the Faculty of Engineering, Universitas Muhammadiyah Magelang and is Accredited by the Ministry for Research, Technology, and Higher Education (RISTEKDIKTI)(No:200/M/KPT/2020). It is a medium for researchers, academics, and practitioners interested in Computer Science and wish to channel their thoughts and findings. Our concept of Informatics includes technologies of information and communication as well as results of research, critical, and comprehensive scientific study which are relevant and current issues covered by the journals. Jurnal Komtika publishes regular research articles. We encourage researchers to publish their theoretical and empirical results in as much detail as possible. For theoretical papers, full details of proofs must be provided so that the results can be checked; for experimental papers, full experimental details must be given so that the results can be reproduced. Additionally, electronic files or software regarding the full details of the calculations, experimental procedure, etc., can be deposited along with the publication as “Supplementary Material”. Scope Jurnal Komputasi dan Informatika (Komtika) focuses on various issues, but not limited in the field of: Software Development: Software development process, Requirements analysis, Software design, Software construction, Software deployment, Software maintenance, Programming team, Open-source model Mathematics of Computing: Discrete mathematics, Mathematical software, Information theory Theory of computation: Model of computation, Computational complexity Human Computer Interaction: Interaction design, Social computing, Ubiquitous computing, Visualization, Accessibility, User Interface Study, User Experience Study Applied Computing: E-commerce, Enterprise software, Electronic publishing, Cyberwarfare, Electronic voting, Video game, Word processing, Operations research, Educational technology, Document management. Machine Learning: upervised learning, Unsupervised learning, Reinforcement learning, Multi-task learning Graphics: Animation, Rendering, Image manipulation, Graphics processing unit, Mixed reality, Virtual reality, Image compression, Solid modeling Information System: Database management system, Information storage systems, Enterprise information system, Social information systems, Geographic information system, Decision support system, Process control system, Multimedia information system, Data mining, Digital library, Computing platform, Digital marketing, World Wide Web, Information retrieval
Articles
144 Documents
<![CDATA[Implementasi Model Convolutional Neural Network dalam Aplikasi Android untuk Identifikasi Limbah Infeksius ]]>
<![CDATA[Mareta, Affix]]>;
<![CDATA[Estri Adiana, Beta]]>;
<![CDATA[Wardhani, Olivia]]>;
<![CDATA[Alfath Nurul Fathony, Ikhwan]]>
<![CDATA[ Jurnal Komtika (Komputasi dan Informatika) Vol 8 No 2 (2024) ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Magelang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31603/komtika.v8i2.12693
<![CDATA[After the COVID-19 pandemic passed, Indonesian citizens were still strict about using masks because active cases were still found. However, not all Indonesian people are aware that masks are an infectious waste, so after use, they are still disposed of carelessly. Apart from masks, other infectious waste in the form of battery waste which contains hazardous chemicals and food waste potentially to spread infectious diseases, is also dangerous for humans. These kinds of waste are major contributors to global pollution. Research on waste classification has been carried out a lot, but especially for infectious waste has not received much attention from researchers. For this reason, this research is useful to help the public distinguish infectious waste such as used food scraps, masks, and batteries so that they are more careful in disposing of waste. The research started with collecting datasets, which came from combining several infectious waste datasets available on the internet. This is done because there is no publicly available dataset that specifically contains infectious waste. Then, a classification model is created with Convolutional Neural Network (CNN) algorithm which has an accuracy of more than 90%. This algorithm has been widely used in previous studies but has never been used as a model applied to Android applications to classify infectious waste. In this study, the CNN model is applied to Android applications. From this research, an Android application with the CNN algorithm will be produced which can help Indonesians identify infectious waste with an accuracy of 94%.]]>
<![CDATA[Penerapan Convolutional Neural Network (CNN) Untuk Prediksi Penyakit Tanaman Padi Melalui Citra Daun ]]>
<![CDATA[Sariah, Sariah]]>;
<![CDATA[Suarna, Nana]]>;
<![CDATA[Ali, Irfan]]>;
<![CDATA[Solihudin, Dodi]]>
<![CDATA[ Jurnal Komtika (Komputasi dan Informatika) Vol 9 No 1 (2025) ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Magelang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31603/komtika.v9i1.12852
<![CDATA[Penyakit tanaman padi merupakan salah satu faktor utama yang dapat menurunkan hasil produktivitas, terutama di negara agraris seperti Indonesia. Deteksi dini terhadap penyakit ini sangat penting untuk menghentikan pertumbuhan ekonomi lebih lanjut dan mengurangi kemerosotan ekonomi. Masalahnya, identifikasi tanaman padi secara manual membutuhkan banyak waktu dan tenaga, dan seringkali tidak efisien dalam skala besar. Untuk mengatasi masalah ini, tujuan dari penelitian ini adalah mengembangkan model untuk memprediksi penyakit tanaman yang dapat menganalisis gejala penyakit dari citra daun dengan akurasi yang tinggi, sehingga memungkinkan deteksi penyakit dan mitigasi dampak penyakit yang lebih efektif. Metode yang digunakan dalam penelitian ini yaitu algoritma Convolutional Neural Network (CNN) yang memungkinkan pengumpulan data citra daun padi dari berbagai kondisi kesehatan tanaman padi. Dataset yang digunakan dalam penelitian ini berasal dari sumber sekunder dan citra daun padi yang dikumpulkan secara langsung dilapangan. Dataset ini dianalisis menggunakan teknik augmentasi untuk meningkatkan kualitas dan keberagaman data. Berdasarkan hasil penelitian, model CNN terbaik mampu mendeteksi penyakit tanaman padi dengan akurasi hingga 87,43%. Model ini juga menunjukkan tingkat prediksi dan kepercayaan yang tinggi untuk beberapa penyakit kritis, seperti Blast, Blight, Dan Tungro. Hasil penelitian ini menunjukkan potensi CNN dalam membantu petani mendeteksi penyakit tanaman padi, yang pada akhirnya dapat meningkatkan produktivitas dan mengurangi kerugian.]]>
<![CDATA[Analisis Sentimen Terhadap Ulasan pada Aplikasi Astro Menggunakan Algoritma Support Vector Machine ]]>
<![CDATA[Masriah, Masriah]]>;
<![CDATA[Atmojo, Wahyu Tisno]]>
<![CDATA[ Jurnal Komtika (Komputasi dan Informatika) Vol 9 No 1 (2025) ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Magelang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31603/komtika.v9i1.13129
<![CDATA[Aplikasi Astro merupakan aplikasi quick commerce yang berfokus memberikan layanan belanja online dengan produk kategori groceries hingga kebutuhan rumah tangga dengan pengiriman dalam waktu hitungan menit. Aplikasi Astro dirilis pada tahun 2021 dan masih beroperasi sampai saat ini, maka dari itu penting bagi Astro untuk mengetahui tanggapan atau sentimen dari pelanggan terkait pelayanan yang telah diberikan agar dapat menjadi evaluasi bagi Astro supaya tetap menjaga kepuasan pengguna. Untuk mengetahui banyaknya sentimen bernada postif dan negatif dari pengguna, dilakukan penelitian mengenai analisis sentimen terhadap ulasan pengguna pada aplikasi Astro di Google Playstore menggunakan algoritma support vector machine (SVM). Data yang digunakan dalam penelitian ini yaitu sebanyak 1.000 ulasan dari hasil web scraping, kemudian data tersebut melalui tahap preprocessing, pelabelan data, pembagian data, pembobotan kata dengan TF-IDF, klasifikasi menggunakan support vector machine (SVM) dan kernel linear hingga evaluasi. Hasil dari penelitian ini yaitu diperoleh 696 ulasan bersentimen positif dan 304 ulasan bersentimen negatif, dengan evaluasi menggunakan confusion matrix diperoleh nilai akurasi sebesar 84%, presisi untuk kelas positif sebesar 93%, presisi untuk kelas negatif sebesar 69%, recall untuk kelas positif sebesar 83%, recall untuk kelas negatif sebesar 85%, f-1 score untuk kelas positif sebesar 88%, dan f-1 score untuk kelas negatif sebesar 76%. Dari hasil analisis diperoleh nilai akurasi yang baik dengan jumlah sentimen postif yang lebih besar sehingga dapat disimpulkan bahwa Aplikasi Astro memberikan pengalaman yang positif kepada pengguna. Keywords: Aplikasi, Astro, Analisis Sentimen, Support Vector Machine]]>
<![CDATA[Studi Komprehensif Keamanan Siber: Perbandingan Teknologi AI dengan Sistem Non-AI dalam Deteksi dan Pencegahan Ancaman ]]>
<![CDATA[Santika, Yollandaru Yoga]]>;
<![CDATA[Rianto, Rianto]]>;
<![CDATA[Ujianto, EIH]]>
<![CDATA[ Jurnal Komtika (Komputasi dan Informatika) Vol 9 No 1 (2025) ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Magelang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31603/komtika.v9i1.13149
<![CDATA[This research examines cybersecurity approaches in Indonesia, focusing on the implementation of Artificial Intelligence (AI) technology compared to non-AI systems in detecting and preventing threats. The study identifies the advantages of AI, such as its capabilities in large-scale data analysis, detection of suspicious patterns, and reduction of human error. The methodology follows PRISMA guidelines for systematic literature review. Findings reveal that while AI can enhance threat detection effectiveness and resilience against attacks, the adoption of this technology in Indonesia remains limited by infrastructure, resources, and technical expertise. This research is expected to provide insights for more proactive national cybersecurity policies and support the development of AI technology in future information security initiatives.]]>
<![CDATA[Analisis Pengalaman Pengguna Pada Aplikasi Absensi Kafe ABC Menggunakan Usability Testing ]]>
<![CDATA[Chandra, Frans Kenny]]>;
<![CDATA[Atmojo, Wahyu Tisno]]>
<![CDATA[ Jurnal Komtika (Komputasi dan Informatika) Vol 9 No 1 (2025) ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Magelang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31603/komtika.v9i1.13216
<![CDATA[Penelitian ini bertujuan untuk menganalisis pengalaman pengguna dalam menggunakan aplikasi absensi berbasis web di kafe ABC yang berfungsi sebagai laboratorium hidup bagi mahasiswa Culinary Arts. Dalam era digitalisasi bisnis, aplikasi berbasis teknologi menjadi kebutuhan penting untuk mendukung operasional bisnis, termasuk di sektor jasa seperti kafe. Fokus penelitian ini adalah untuk mengevaluasi efektivitas desain User Interface (UI) dan User Experience (UX) aplikasi absensi tersebut menggunakan metode Usability Testing. Penelitian ini melibatkan 17 responden pekerja kafe yang diukur menggunakan System Usability Scale (SUS) untuk mendapatkan skor kegunaan sistem. Hasil penelitian menunjukkan skor rata-rata SUS sebesar 85,2, yang mengindikasikan bahwa aplikasi absensi ini termasuk dalam kategori "Sangat Baik." Meskipun demikian, beberapa perbaikan disarankan, seperti penghapusan fitur catatan awal, penambahan fitur notifikasi, dan peningkatan personalisasi. Penelitian ini diharapkan dapat memberikan wawasan bagi pengembang aplikasi untuk meningkatkan kualitas UI dan UX serta menjadi referensi bagi bisnis lain yang ingin mengadopsi digitalisasi operasional.]]>
<![CDATA[Peningkatan Skalabilitas Server Menggunakan HAProxy dengan Algoritma Load Balancing Round-Robin ]]>
<![CDATA[Yuwono, Dany Purno]]>;
<![CDATA[Agung, Achmad Imam]]>;
<![CDATA[Buditjahjanto, I Gusti Putu Asto]]>;
<![CDATA[Anifah, Lilik]]>
<![CDATA[ Jurnal Komtika (Komputasi dan Informatika) Vol 9 No 1 (2025) ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Magelang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31603/komtika.v9i1.13405
<![CDATA[Skalabilitas server menjadi faktor penting dalam menjaga kinerja layanan berbasis web seiring meningkatnya jumlah pengguna. Salah satu pendekatan untuk meningkatkan skalabilitas adalah dengan menggunakan load balancing, di mana HAProxy menjadi salah satu pilihan yang banyak dimanfaatkan karena keandalannya. Penelitian ini bertujuan untuk menganalisis peningkatan kinerja server dengan implementasi HAProxy menggunakan algoritma load balancing Round-Robin. Metode penelitian yang diterapkan meliputi proses instalasi dan konfigurasi HAProxy, pengujian performa server dengan Apache JMeter, serta evaluasi distribusi beban kerja. Hasil penelitian ini mengindikasikan bahwa penggunaan HAProxy dengan algoritma Round-Robin efektif dalam menyebarkan beban secara merata dan secara signifikan mempercepat waktu respons server jika dibandingkan dengan sistem yang tidak menerapkan load balancing. Selain itu, kemampuan untuk menambah atau mengurangi jumlah server backend tanpa mempengaruhi kelancaran layanan yang ada menjadi salah satu keunggulan yang sangat menonjol. Oleh karena itu, penerapan HAProxy dengan algoritma Round-Robin direkomendasikan sebagai solusi efektif dalam meningkatkan skalabilitas server, terutama untuk sistem yang menangani lalu lintas tinggi dan membutuhkan distribusi beban yang optimal.]]>
<![CDATA[Aplikasi Augmented Reality interaktif untuk Informasi Denah PPM Ar-Royyaan Yogyakarta dengan Metode MDLC ]]>
<![CDATA[Aslaha, Ruhamaja]]>;
<![CDATA[Purnamawati, Annida]]>;
<![CDATA[Purwati, Nani]]>
<![CDATA[ Jurnal Komtika (Komputasi dan Informatika) Vol 9 No 1 (2025) ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Magelang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31603/komtika.v9i1.13445
<![CDATA[Penelitian ini berfokus pada pemanfaatan teknologi Augmented Reality (AR) untuk memvisualisasikan bangunan 3D Pondok Ar-Royyaan Yogyakarta dalam bentuk aplikasi berbasis Android. Di tengah peran strategis pondok pesantren dalam pendidikan Islam serta dominasi penduduk Muslim di Indonesia, calon santri dan masyarakat masih mengalami kesulitan dalam memperoleh informasi rinci mengenai fasilitas pesantren, seperti bentuk bangunan dan ukuran kamar. Penelitian ini menggunakan metode Multimedia Development Life Cycle (MDLC) dalam pengembangan aplikasinya. Aplikasi AR ini memanfaatkan marker sebagai pemicu untuk menampilkan objek 3D secara interaktif. Tujuan utamanya adalah memberikan pengalaman visual yang lebih mendalam mengenai tata letak dan fasilitas pondok pesantren. Hasil dari penelitian ini adalah terciptanya sebuah aplikasi yang memudahkan akses informasi bagi calon santri dan masyarakat umum. Manfaat yang diharapkan mencakup peningkatan efisiensi dalam penyebaran informasi serta kontribusi terhadap peningkatan kualitas pendidikan di pondok pesantren melalui integrasi teknologi modern. Dengan demikian, penelitian ini dapat menjadi inovasi dalam metode penyampaian informasi di lingkungan pendidikan Islam dan memperluas aksesibilitas informasi bagi masyarakat secara lebih luas.]]>
<![CDATA[Perbandingan Kinerja SVR dan XGBoost untuk Peramalan Emisi CO₂ Global berbasis Machine Learning ]]>
<![CDATA[Rahman, Alrafiful]]>;
<![CDATA[Paramarta, Valentinus]]>;
<![CDATA[Ida, Agnes Novita]]>;
<![CDATA[Akbar, Mohammad Harits]]>;
<![CDATA[Simanjuntak, Vica Sonya M]]>
<![CDATA[ Jurnal Komtika (Komputasi dan Informatika) Vol 9 No 1 (2025) ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Magelang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31603/komtika.v9i1.13449
<![CDATA[The increase in global carbon dioxide (CO2) emissions has become a major concern in climate change studies. This research aims to compare the performance of two machine learning algorithms, namely Support Vector Regression (SVR) and XGBoost, in predicting global CO2 emission trends based on historical data. The dataset used includes related variables such as energy consumption, gross domestic product (GDP), and population, obtained from open data sources like Our World in Data. SVR is optimized through grid search to obtain the best parameters, while XGBoost is used as the main comparator due to its ability to handle non-linear relationships and feature interactions. Model evaluation was conducted using the MAE, RMSE, and R2 metrics. The results show that XGBoost is significantly superior with an MAE of 1745.70 and an RMSE of 2663.18, as well as an R2 value of 0.93, compared to SVR which has an MAE of 5476.54, an RMSE of 8153.37, and an R2 value of 0.82. The visualization of the prediction results also indicates that XGBoost is more accurate in following the fluctuation patterns of actual data, especially in detecting sharp changes. These findings suggest that XGBoost is a more suitable method for forecasting CO2 emissions in complex and non-linear global contexts.]]>
<![CDATA[Evaluasi Kinerja Algoritma Random Forest Dan Gradient Boosting Untuk Klasifikasi Penyakit Jantung ]]>
<![CDATA[Ridwan, Ridwan]]>;
<![CDATA[Handayani, Hanny Hikmayanti]]>;
<![CDATA[Lestari, Santi Arum Puspita]]>;
<![CDATA[Cahyana, Yana]]>
<![CDATA[ Jurnal Komtika (Komputasi dan Informatika) Vol 9 No 1 (2025) ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Magelang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31603/komtika.v9i1.13450
<![CDATA[Penyakit jantung masih menjadi salah satu penyebab kematian utama di dunia, sehingga diperlukan diagnosis dini yang akurat untuk mengurangi risiko yang ditimbulkan. Kemajuan teknologi machine learning memberikan peluang baru untuk membantu tenaga medis dalam memprediksi penyakit jantung secara lebih efisien dan tepat. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja dua algoritma pembelajaran terawasi yang populer, yaitu Random Forest dan Gradient Boosting, dalam klasifikasi penyakit jantung. Dataset yang digunakan terdiri dari 1.000 baris data dengan sejumlah fitur yang merepresentasikan berbagai faktor risiko penyakit jantung. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest unggul dibandingkan Gradient Boosting dalam seluruh metrik evaluasi. Random Forest memperoleh akurasi sebesar 99,5%, sementara Gradient Boosting memperoleh 98,5%. Selain itu, Random Forest mencapai nilai sempurna (100%) pada presisi kelas 0, recall kelas 1, dan F1-score kelas 1, menunjukkan kemampuannya yang tinggi dalam klasifikasi penyakit jantung. Model yang dikembangkan ini memiliki potensi besar untuk diterapkan sebagai alat bantu pengambilan keputusan dalam sistem layanan kesehatan, terutama pada tahap skrining awal dan penilaian risiko pasien. Dengan mengidentifikasi pola dan fitur kunci yang berhubungan dengan penyakit jantung, model ini dapat mendukung tenaga medis dalam memberikan keputusan klinis yang lebih cepat dan tepat sasaran.]]>
<![CDATA[Analisis Kinerja Support Vector Machine dan Moving Averages Convergence Divergence Untuk Saham-Saham Perbankan Indonesia ]]>
<![CDATA[Purnama, Andreas Anditya]]>;
<![CDATA[Lukito, Yuan]]>;
<![CDATA[Haryono, Nugroho Agus]]>
<![CDATA[ Jurnal Komtika (Komputasi dan Informatika) Vol 9 No 1 (2025) ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Magelang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.31603/komtika.v9i1.13459
<![CDATA[This study discusses the Machine Learning algorithm with technical indicator features in predicting the movement of Indonesian banking sector stocks. Many people seek profit in Indonesian banking stocks because most of them have good fundamentals but have high volatility. The strategy that can be used is the Support Vector Machine (SVM) algorithm with the Moving Averages Convergence Divergence (MACD) technical indicator feature. The SVM algorithm is used because it can process stock price movement data and technical indicators which tend to be complex. This research was conducted with the aim of contributing to the development of a machine learning-based stock prediction model that can be used by academics and financial practitioners. The research stages are collecting historical data on Infobank15 stock movements, data cleaning, training and testing the SVM model, then backtesting. The research methodology includes data processing using Python, training and testing the SVM model, then trading simulation with an initial capital of IDR 100 million. The kernels tested include RBF, Polynomial, and Sigmoid. Model performance is evaluated based on return, win rate, profit ratio, Sharpe ratio, maximum drawdown, risk-reward ratio, and accuracy rate. Historical data of Infobank15 stock is used in this study where the dataset is historical data from 2019-2024 for training and testing the model and historical data from 2024 for backtesting. Based on the experimental results obtained, it can be concluded that the combination of the SVM model and the MACD indicator yields favourable outcomes. The kernel that provides the best overall results is the Polynomial kernel. Penelitian ini membahas penerapan Machine Learning dengan fitur indikator teknikal dalam memprediksi pergerakan saham sektor perbankan Indonesia. Banyak masyarakat mencari keuntungan di saham perbankan Indonesia karena sebagian besar memiliki fundamental yang baik, namun memiliki volatilitas yang tinggi. Strategi yang dapat digunakan yaitu algoritma Support Vector Machine (SVM) dengan fitur indikator teknikal Moving Averages Convergence Divergence (MACD). Algoritma SVM dipakai karena dapat mengolah data-data pergerakan harga saham dan indikator teknikal yang di mana cenderung kompleks. Riset ini dilakukan dengan tujuan berkontribusi pada pengembangan model prediksi saham berbasis Machine Learning yang dapat digunakan oleh akademisi dan praktisi keuangan. Tahapan risetnya yaitu pengumpulan data historis pergerakan saham Infobank15, pembersihan data, pelatihan dan pengujian model SVM, kemudian backtesting. Metodologi risetnya meliputi pengolahan data menggunakan Python, pelatihan dan pengujian model SVM, kemudian simulasi trading. Kernel yang diuji antara lain Radial Basis Function, Polynomial, dan Sigmoid. Kinerja model dievaluasi berdasarkan return, win-rate, profit ratio, sharpe ratio, maximum drawdown, risk-reward ratio, dan accuracy rate. Data historis saham Infobank15 digunakan dalam penelitian ini adalah tahun 2019-2024 untuk pelatihan dan pengujian model serta data historis 2024 untuk backtesting. Dari hasil percobaan yang telah dilakukan, dapat disimpulkan bahwa kombinasi model SVM dan indikator MACD memberikan hasil yang baik. Kernel yang memberikan hasil terbaik secara keseluruhan adalah Polynomial.]]>
