cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Ari Zulsafar
Contact Email
zulsapar@telkomuniversity.ac.id
Phone
+6285280983983
Journal Mail Official
logic_journal@telkomuniversity.ac.id
Editorial Address
Gedung Bangkit Lt. 2 Telkom University Jl. Telekomunikasi Terusan Buah Batu 40257, Bandung, Indonesia.
Location
Kota bandung,
Jawa barat
INDONESIA
LOGIC: Jurnal Penelitian Informatika
Published by Universitas Telkom
ISSN : -     EISSN : 30264987     DOI : https://doi.org/10.25124/logic.v3i1.9231
Core Subject : Science, Engineering,
Computer Science & IT Engineering
LOGIC: Jurnal Penelitian Informatika is a peer-reviewed open-access journal that publishes high-quality research in Data Science, Intelligent Systems, Software Engineering, and Information Technology. The journal aims to advance knowledge in informatics by providing a platform for researchers, academics, and professionals to share innovative ideas and findings. Published articles undergo a rigorous double-blind peer review process to ensure originality, relevance, and scientific contribution. The journal follows an open-access policy, allowing free and unrestricted access to published research.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 7 Documents
 1 
Search results for , issue "Vol. 3 No. 1 (2025): September 2025" : 7 Documents clear
Pengaruh Refactoring Extract Method terhadap Pengembangan Aplikasi menggunakan Test Driven Development Fauzi Hazim Wibowo; Dawam Dwi Jatmiko Suwawi; Anisa Herdiani
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 1 (2025): September 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i1.9231

Abstract

Tingginya kompleksitas dan rendahnya maintainability pada kode menyebabkan maintain sebuah program sulit untuk dilakukan. Maintainability dan readability saling berkaitan karena rendahnya maintainability menyebabkan kode sulit untuk dibaca dan dimodifikasi. Menurunkan kompleksitas, meningkatkan maintainability, dan meningkatkan readability merupakan tujuan refactoring pada test driven development. Refactoring dengan extract method dipilih karena dapat meningkatkan readability dan mengurangi duplikasi pada kode. Pengembangan website pada penelitian ini menggunakan paradigma pemrograman functional programming dan mengalami permasalahan long method. Metode refactoring ini dapat menghilangkan long method pada paradigma pemrograman functional programming sehingga sesuai diterapkan pada penelitian ini. Test driven development merupakan pengembangan perangkat lunak yang didasari oleh pembuatan program pengujian iteratif otomatis kecil, penulisan kode untuk lolos testing, dan refactoring code. Penelitian ini membuat website penilaian e-learning readiness Hung model berdasarkan requirement dari kaprodi S1 PJJ Informatika menggunakan test driven development. Pengembangan website ini dikerjakan oleh satu tim dan memiliki anggaran yang kecil. Oleh karena itu, penelitian ini sesuai dengan metode pengembangan perangkat lunak test driven development yang memungkinkan pengembangan perangkat lunak dengan satu tim dan anggaran yang kecil. Website ini diteliti dan dianalisis terkait pengaruh extract method terhadap cyclomatic complexity, halstead volume, maintainability index, dan code readability prediction pada pengembangan menggunakan test driven development.
Prediksi Return Saham Berdasarkan Data Histori dan Data Fundamental Menggunakan LSTM Naufal Abdurrahman Burhani; Saepudin, Deni; Didit Adytia
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 1 (2025): September 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i1.9236

Abstract

Prediksi harga saham merupakan tantangan signifikan dalam dunia keuangan karena sifat pasar yang dinamis dan kompleks. Penelitian ini bertujuan untuk memprediksi harga saham dengan menggunakan model Long Short-Term Memory (LSTM), yang efektif dalam menangkap pola sekuensial pada data historis dan fundamental. LSTM dipilih karena kemampuannya untuk memodelkan ketergantungan jangka panjang, yang penting dalam prediksi harga saham. Evaluasi dilakukan dengan membandingkan kinerja model LSTM pada data historis dan kombinasi data historis dengan data fundamental. Hasil penelitian menunjukkan bahwa meskipun model LSTM berhasil menangkap pola pada data training, model tersebut mengalami overfitting yang signifikan pada data testing. Penambahan data fundamental tidak secara signifikan meningkatkan akurasi prediksi pada fase testing. Kesimpulannya, meskipun LSTM membantu dalam menangkap pola kompleks dari data historis dan fundamental, penelitian ini menekankan pentingnya eksplorasi lebih lanjut terhadap metode lain untuk mengatasi overfitting dan meningkatkan kinerja prediksi saham pada data testing.
Studi Algoritma Penjadwalan Proportional Fair dan Round Robin Pada Jaringan 5G Windu Firmansyach; Karimah, Siti Amatullah; Setyorini
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 1 (2025): September 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i1.9448

Abstract

Seiring dengan perkembangan teknologi, penggunaan jaringan menjadi sebuah kebutuhan masyarakat. Jaringan telah melalui banyak evolusi sampai pada saat ini jaringan generasi ke 5. 5G adalah jaringan generasi baru hasil pengembangan dari generasi sebelumnya yang saat ini masih banyak digunakan, yaitu 4G LTE. Jaringan 5G diklaim 20 kali lebih cepat dibandingkan dengan jaringan sebelumnya. Jaringan ini memang belum banyak digunakan oleh masyarakat namun sudah ada. Seperti jaringan-jaringan generasi sebelumnya, jaringan 5G juga dibantu algoritma penjadwalan untuk mengefesiensikan serta mengatur sumber daya dan alokasi penggunaan serta proses nya berbeda-beda. Pada penelitian ini akan dilakukan perbandingan hasil simulasi algoritma penjadwalan proportional fair dan round robin yang akan disimulasikan dengan menggunakan tools 5G air simulator dengan menggunakan dua skenario pengujian, yaitu pengujian terhadap perubahan jumlah user serta pengujian terhadap perubahan kecepatan. Hasil yang diperoleh dari kedua skenario menunjukan bahwa kedua algoritma schedulling menghasilkan packet loss ratio yang tinggi, namun proportional fair memperoleh packet loss ratio lebih tinggi dibandingan dengan round robin. Sedangkan untuk hasil pengujian goodput dari proportional fair lebih seimbang dibandingkan hasil round robin, akan tetapi nilai goodput pada round robin relatif tinggi dibandingkan dengan proportional fair.
Prediksi Return Saham Berbasis Clustering Menggunakan K-Means Clustering dan Convolutional Neural Network Rizaldi Maulid Fathurachman; Saepudin, Deni
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 1 (2025): September 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i1.9463

Abstract

Prediksi harga saham di masa depan merupakan sebuah masalah yang menantang. Dalam penelitian ini telah diterapkan pendekatan clustering untuk mengelompokkan saham-saham yang menunjukkan kesamaan dalam prediksi harga. Proses ini membantu dalam mempermudah prediksi harga, karena saham yang ada dalam 1 cluster yang sama diharapkan mempunyai pola yang lebih mirip. Melalui clustering, saham-saham yang memiliki prediksi harga yang sama dikelompokkan berdasarkan cluster yang telah terbentuk. Kemudian, dilakukan training model menggunakan data rata-rata dari harga saham dalam setiap cluster untuk menghasilkan prediksi harga yang lebih tepat. Dalam penelitian ini metode K-Means digunakan untuk mengelompokkan saham berdasarkan rata-rata return dan standar deviasi, sedangkan CNN digunakan untuk memprediksi harga saham harian. Selanjutnya prediksi return dapat dihitung berdasarkan prediksi harga yang telah diperoleh. Dataset harga saham LQ45 dibagi menjadi dua bagian, yaitu training data dan test data. Data training digunakan untuk melatih model CNN untuk menganalisis data harga saham historis yang dapat membantu memprediksi return saham di masa depan, sedangkan data test digunakan untuk mengevaluasi kinerja model yang telah dilatih. Hasil penelitian ini menunjukkan bahwa, dengan melihat kriteria elbow maka clustering dengan metode K-Means akan diambil dengan jumlah cluster-nya adalah sebanyak 4 cluster. Dan setelah itu dilakukan prediksi melalui CNN dan hasilnya mampu menghasilkan prediksi harga saham harian dengan baik, dibuktikan dengan nilai RMSE prediksi untuk 1 hari ke depan pada cluster 1 adalah 0,09, untuk cluster 2, RMSE yang diperoleh adalah 0,05, sementara itu cluster 3 memiliki RMSE sebesar 0,07, dan untuk cluster 4 memiliki RMSE yang diperoleh yaitu 0,57. Setelah itu, dihasilkan dari prediksi saham-saham di setiap cluster yang menghasilkan prediksi return tertinggi di setiap harinya. Kemudian dibuat prediksi kinerja portofolio menggunakan equal weight dengan hasil rata-rata return sebesar 0,0009 dan standar deviasi sebesar 0,0209 yang lebih baik dibandingkan dengan indeks LQ45.
Prediksi Retweet Berdasarkan Konten Dan PenggunaDengan Metode Classifier Selection Muhamad Febiansyah; Jondri, Jondri; Indwiarti
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 1 (2025): September 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i1.9744

Abstract

Perkembangan media sosial telah merubah cara penyebaran informasi, dengan Twitter memainkan peran utama. Penelitian ini bertujuan mengembangkan model prediksi retweet di Twitter menggunakan fitur content-based dan user-based, serta teknik oversampling untuk meningkatkan kinerja model. Hasil eksperimen menunjukkan bahwa meta learner tanpa oversampling pada fitur content-based memiliki macro average F1-score sebesar 0.52, namun dengan recall yang sangat rendah untuk kelas retweet (6%) dan F1-score 0.11. Sebaliknya, meta learner dengan oversampling pada fitur content-based memperbaiki performa dengan presisi 0.86, recall 0.77, dan F1-score 0.80 untuk retweet, dengan nilai macro average F1-score sebesar 0.82 yang menunjukan kenaikan dibandingkan dengan meta learner tanpa oversampling. Untuk model user-based, tanpa oversampling, macro average F1-score memiliki nilai 0.75 dengan keseimbangan baik antara presisi dan recall pada kelas non retweet. Setelah oversampling, model user-based mempertahankan keseimbangan yang baik dengan presisi, recall, F1-score, dan macro average F1- score masing-masing sebesar 0.88 pada kelas retweet dan non retweet. Secara keseluruhan, oversampling meningkatkan kinerja model, terutama pada fitur content-based, dengan model user-based menunjukkan performa yang paling konsisten dan baik.
Prediksi Retweet Berdasarkan Fitur UserBased, Content-Based, dan Time-Based Menggunakan Metode ANN-GSO Raisul Muhalani; Jondri, Jondri; Indwiarti
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 1 (2025): September 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i1.9827

Abstract

Media sosial menjadi salah satu platform yang banyak dipilih untuk sarana saling berbagi informasi, hiburan, serta dapat membuat mereka menghilangkan rasa penat dari aktifitas mereka sehari-hari. Media sosial sudah menjadi kebutuhan untuk sebagian besar masyarakat khususnya indonesia. Salah satu media sosial yang sering digunakan oleh masyarakat indonesia yaitu twitter. Twitter dapat membagikan sebuah postingan yang biasa disebut dengan tweet (kicauan) yang dapat digunakan oleh pengguna untuk membagikan tulisan, foto, video, maupun gif kepada publik. Salah satu fitur twitter yaitu retweet. Fitur retweet ini memiliki fungsi untuk membagikan kembali sebuah postingan, baik postingan mereka sendiri maupun postingan pengguna lain. Fitur ini sangat berperan penting dalam penyebaran informasi. Penelitian ini membahas mengenai prediksi retweet menggunakan fitur user-based, content-based, dan time-based dengan metode Jaringan Saraf Tiruan (Artificial Neural Network) untuk klasifikasinya, yang dioptimalkan dengan algoritma Glowworm Swarm Optimization (GSO) untuk mendapatkan tingkat akurasi yang lebih tinggi. Model ANN yang dioptimalkan dengan GSO menunjukkan hasil terbaik ketika dilakukan skenario oversampling, dengan akurasi sebesar 78% dan F1-Score 78%. Pada GSO terdapat peningkatan pada dataset model prediksi secara keseluruhan.
Prediksi Diagnosis Hepatitis B Virus Menggunakan Gated Graph Neural Network Fadhil Wisnu Ramadhan; Wiharja, Kemas Rahmat Saleh
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 1 (2025): September 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i1.9855

Abstract

Hepatitis merupakan infeksi virus pada hati dan dapat menyebabkan komplikasi terhadap penyakit lain yang dialami oleh pasien. Diagnosis dini dan penanganan yang tepat sangat penting untuk mencegah progresi penyakit dan komplikasi lebih lanjut. Diperlukan sebuah sistem prediksi diagnosis hepatitis yang akurat untuk menangani dan mengatasi kemungkinan terjangkitnya seseorang akan hepatitis. Penelitian ini melakukan prediksi model Gated Graph Neural Network terhadap pilihan data Hepatitis UCI Machine Learning Repository. Pada penelitian ini dilakukan pemodelan dan penelitian model dengan dua model graph neural network lainnya dan menghasilkan evaluasi yang baik pada prediksi klasifikasi node Hepatitis, dengan menggunakan Gated Graph Neural Network model menunjukan nilai yang superior terhadap 2 metode lain yaitu GAT dan GCN. Dimana GGNN mendapatkan nilai Accuracy, Precision, dan Recall diatas 90%.

Page 1 of 1 | Total Record : 7

 1 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol. 3 No. 2 (2025): Desember 2025 Vol. 3 No. 1 (2025): September 2025 Vol. 2 No. 2 (2024): Desember 2024 Vol. 2 No. 1 (2024): Mei 2024 Vol. 1 No. 1 (2023): September 2023