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 8 Documents
 1 
Search results for , issue "Vol. 3 No. 2 (2025): Desember 2025" : 8 Documents clear
Pengukuran Tingkat Kesadaran Keamanan Informasi Pada Mahasiswa Fakultas Informatika Menggunakan Human Aspect of Information Security Questionnaire (HAISQ) di Universitas Telkom Bandung Gregorio Bonggal Noveno Alvito; Setiadi, Farisya; Muhamad Irsan
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 2 (2025): Desember 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i2.9590

Abstract

Penelitian ini bertujuan untuk mengevaluasi tingkat kesadaran keamanan informasi mahasiswa S1 Informatika Telkom dengan mengadopsi pendekatan mixed method. Pengumpulan data kuantitatif akan dilakukan melalui kuesioner HAIS-Q yang mengukur aspek-aspek seperti manajemen kata sandi, penggunaan internet, dan penanganan informasi. Data kualitatif akan melengkapi penelitian ini untuk memberikan pemahaman yang lebih komprehensif. Hasil akhir menunjukkan tingkat kesadaran keamanan informasi secara keseluruhan tergolong baik dengan rata-rata 85,24%, namun terdapat kekurangan pada dimensi perilaku, terutama dalam penggunaan internet dan pelaporan insiden, dengan nilai rata-rata di bawah 80%. Penelitian kualitatif melalui wawancara mengungkap bahwa meskipun mahasiswa memahami risiko keamanan, mereka cenderung mengabaikan praktik keamanan saat mengakses informasi atau menggunakan Wi-Fi publik. Poin yang rendah juga ditunjukkan pada bagian pelaporan insiden di lingkungan kampus, di mana ketakutan terhadap prasangka buruk dan kekhawatiran merusak hubungan sosial dapat menghambat tindakan mereka. Penelitian ini menunjukkan bahwa mahasiswa perlu meningkatkan perilaku mereka untuk lebih sadar akan keamanan informasi terutama di area kampus.
Deteksi Anomali Data Time Series pada Operasional Industri Pipa Gas Alam menggunakan Metode Bidirectional Long Short-Term Memory (Bi-LSTM) M. Taufik Anugrah; Astuti, Widi; Aditya Firman Ihsan
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 2 (2025): Desember 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i2.9630

Abstract

Gas alam merupakan salah satu sumber energi paling penting yang digunakan saat ini, baik oleh rumah tangga, industri, maupun pembangkitan tenaga listrik. Maka menjadi penting untuk menjaga keandalan dari sistem operasional gas alam tersebut. Salah satunya dengan memperhatikan anomali-anomali yang terjadi pada proses distribusi. Penelitian ini bertujuan untuk membuat sebuah sistem deteksi anomali yang terjadi pada operasional pipa gas alam secara programatic dengan memanfaatkan teknologi pembelajaran mesin. Metode yang digunakan adalah Long Short-Term Memory (LSTM) dan Bidirectional Long ShortTerm Memory (Bi-LSTM). Teknik ekstraksi fitur yang digunakan adalah peak-to-peak anomaly detection. Penelitian ini mendapatkan nilai akurasi sebesar 99% pada LSTM dan 99% pada Bi-LSTM dengan nilai loss sebesar 0,0220.
Implementasi Component-Based Development Untuk Pengembangan Front-End Pada Website Feelsbox (Studi Kasus: Fitur Kursus Online FeelsQuest) Asyrafbilal Fadhila Bhinar Jaya; Kusumo, Dana Sulistiyo; Nungki Selviandro
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 2 (2025): Desember 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i2.9644

Abstract

Masalah yang sering dihadapi oleh front-end web developer adalah penulisan kode program dengan kegunaan yang sama secara berulang-ulang sehingga mempersulit proses pemeliharaan. Pada penelitian ini dilakukan pengembangan front-end website fitur FeelsQuest dengan menggunakan Component-Based Development(CBD). Penerapan CBD ini bertujuan untuk membuat tampilan website dikembangkan secara komponen tampilan kecil yang dapat dengan mudah dipelihara. Penelitian ini menggunakan framework Laravel yang terfokus pada modul View dan fitur Laravel Blade Templates yang dapat membuat komponen tampilan website untuk pengimplementasian CBD. Pada pengembangan komponen akan menerapkan prinsip SOLID untuk menghasilkan kode program yang mudah dipelihara. Hasil kode program antarmuka website diuji menggunakan tools PHPMetrics untuk mendapatkan matriks Maintainability Index(MI) yang menjadi ukuran apakah kode program dapat dengan mudah dimaintain atau tidak. Nilai rata-rata matriks MI yang didapat adalah 110.20, yakni dapat dikatakan bagus karena bernilai 85 keatas, artinya kode program dapat dengan mudah dialakukan perubahan, perbaikan dan penambahan tampilan pada pengembangan selanjutanya. Hasil penelitian ini menunjukkan bahwa pengembangan front-end website fitur FeelsQuest dengan mengimplementasikan CBD dan penerapan prinsip SOLID menggunakan Laravel dapat mempermudah proses pemeliharaan.
Analisis Deteksi Masker Wajah menggunakan YOLOv8 dengan Dataset Facemask Arya Beta Putra Pratama; Wirayuda, Tjokorda Agung Budi; Febriyanti Sthevanie
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 2 (2025): Desember 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i2.9816

Abstract

Penelitian ini menyajikan analisis mendalam tentang deteksi dan klasifikasi masker wajah menggunakan YOLOv8 dan akan diuji coba pada dataset Facemask yang didalamya terdiri dari gambar-gambar yang dibagi dalam tahap pelatihan, pengujian, dan validasi dan melalui dua pendekatan, yaitu augmentasi dan non augmentasi. Penelitian ini menganalisis penilaian kinerja YOLOv8 dan menyoroti kemampuannya mengenali individu yang memakai masker wajah dan yang tidak memakai masker wajah. Tujuan utama dari penelitian ini adalah untuk menganalisis performa YOLOv8 dalam mendeteksi dan mengklasifikasikan penggunaan masker wajah. Hasil evaluasi berdasarkan tiga metrik utama yaitu Mean Average Precision (mAP), Precision, dan Recall. Hasil pada pendekatan non augmentasi model menunjukan Mean Average Precision (mAP) 93,1%, Precison 79,7% , dan Recall 95,9%. Hasil pada pendekatan augmentasi menunjukan menunjukan Mean Average Precision (mAP) 91,9%, Precison 76,6% , dan Recall 94,7%.
Analisis Kemampuan Beta-VAE Pada Dataset Yang Berbeda Bramantya Purbaya; Purnama, Bedy; Edward Ferdian
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 2 (2025): Desember 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i2.9817

Abstract

Data sintetis sudah menjadi beberapa penelitian untuk kasus machine learning, salah satunya adalah menambah data baru dikarenakan kurangnya data yang sudah ada. Tetapi bagaimana untuk menghasilkan dan mengatur berbagai variasi dari distribusi data masukan masih menjadi bahan penelitian. Pada penelitian ini menggunakan salah satu variasi metode Variational Auto Encoder (VAE) untuk menghasilkan data sintetis, yaitu Beta-Variational Auto Encoder (Beta-VAE). VAE sendiri merupakan metode unsupervised learning yang dapat menghasilkan data sintetis, tetapi variasi yang dihasilkan tidak terlalu teratur dibandingkan Beta-VAE. Pada penelitian ini digunakan metode Beta- VAE asli untuk menghasilkan data sintetis yang dilatih dengan empat dataset yang berbeda. Digunakan metrik PSNR, SSIM dan FID score untuk mengevaluasi model Beta-VAE. Dibandingkan setiap model Beta-VAE yang dilatih dengan dataset berbeda dan dilakukan analisis pada setiap model. Hasil dari penelitian didapati model yang dilatih dengan CelebA memiliki hasil terbaik terlihat dari metrik evaluasi.
Layer-4 Load Balancer on Programmable Data Plane using IP Hash and Weighted Round Robin Muchlis Ramadhan Usman; Nugroho, Muhammad Arief; Ibnu Asror
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 2 (2025): Desember 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i2.9897

Abstract

Layer-4 load balancer used in data center to distribute requests coming from client to multiple servers located in data center. There are two requirements to build proper Layer-4 load balancing. The first is ensuring the uniformity of request distribution across multiple servers and connection affinity. IP Hash is a common load balancing algorithm that is used to implement Layer-4 load balancing but can cause load imbalances across multiple servers. Weighted Round-Robin is proposed to prevent load imbalance across multiple servers. The implementation of load balacing is using a programmable data plane rather than additional hardware or software load balancing. The result shows that WRR is able to mitigate load imblance across multiple servers by achieving uniform request distribution. WRR achieves 13% higher throughput but gives 2% higher response times than IP Hash and has less packet loss than IP Hash when handling HTTP requests.
Implementasi Metode Kanban dalam Pengembangan Aplikasi Mobile: Studi Kasus Aplikasi POLA di PT. INTI Boma Fira Suganda; Dawam Dwi Jatmiko Suwawi; Ati Suci Dian Martha
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 2 (2025): Desember 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i2.9917

Abstract

Aplikasi Pusat Operasional dan Layanan Agen (POLA) dikembangkan untuk mendistribusikan, memonitor, serta menangani pemeliharaan dan pergantian perangkat Electronic Data Capture (EDC) kepada agen atau biasa disebut Service Point (SerPo). Namun, hasil wawancara dengan pegawai PT. Industri Telekomunikasi Indonesia (PT. INTI) mengungkap beberapa masalah kritis dalam aplikasi POLA, seperti ketidaknyamanan penggunaan, fitur yang tidak berfungsi optimal, antarmuka yang tidak ramah pengguna, terutama dari segi responsivitas di perangkat mobile, serta ketidakakuratan koordinat. Penelitian ini mengeksplorasi implementasi metode Kanban dalam pengembangan aplikasi mobile POLA untuk mengatasi permasalahan tersebut. Metode Kanban diterapkan melalui Kanban board yang terdiri dari tiga bagian utama, to do, in progress, dan done. Pendekatan ini meningkatkan transparansi proses pengembangan dengan memudahkan identifikasi status tugas, kebutuhan bantuan, dan potensi bottleneck. Hasil penelitian menunjukkan bahwa integrasi fitur peta dan kemampuan unggah foto telah berhasil diterapkan menggunakan package open source, yang meningkatkan responsivitas dan fungsionalitas antarmuka pengguna. Penerapan metode Kanban terbukti efektif dalam mengelola alur kerja dan meningkatkan manajemen proyek, sehingga memperbaiki proses pengelolaan EDC dalam pengembangan aplikasi mobile POLA.
Customer Churn Prediction Pada Streaming Musics Platform Menggunakan Ensemble Learning Iqbal Saviola Syah bill haq; Wirayuda, Tjokorda Agung Budi
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 2 (2025): Desember 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i2.9946

Abstract

Churn prediction sangat penting bagi layanan berbasis subscriptions seperti KKBOX, yang mana merupakan sebuah streaming music platform terkenal di Asia. Meskipun terkenal, KKBOX menghadapi tantangan signifikan dengan churn customer, di mana ketika pelanggan membatalkan subscriptions mereka, yang berdampak langsung pada pendapatan dan pertumbuhan perusahaan. Penelitian ini mengeksplorasi pengembangan model churn prediction menggunakan ensemble machine learning. Churn prediction membantu mengidentifikasi pelanggan yang kemungkinan akan membatalkan subscriptions mereka, memungkinkan perusahaan untuk menerapkan retention strategies. Pentingnya topik ini terletak pada implikasi finansial dan pertumbuhan jangka panjang bagi bisnis. Churn predicition yang efektif dapat secara signifikan meningkatkan retention customers, karena mempertahankan hanya 5% dari pelanggan yang ada dapat meningkatkan keuntungan sebesar 25% hingga 95%. Penelitian ini menggunakan dataset dari KKBOX dan mengimplementasikan berbagai model machine learning, termasuk logistic regression, SVM, XGBoost, dan LightGBM, untuk memprediksi churn. Solusi ini melibatkan data exploration, data preparation, feature engineering, untuk meningkatkan model accuracy. Pada experiment ini LightGBM unggul dibanding model lainnya, dengan mencapai skor log loss terendah. Model-model ini menyediakan framework yang kuat untuk churn prediction, dapat meningkatkan retention strategies customers untuk subscription-based services seperti KKBOX. Experiment selanjutnya dapat mengeksplorasi features lainnya dan tuning hyperparameter untuk lebih meningkatkan model performances.

Page 1 of 1 | Total Record : 8

 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