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 44 Documents
 1   2   3   4   5 
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.
Accuracy vs. Precision Nuha, Hilal; HAM, Vidia Ilyana
LOGIC: Jurnal Penelitian Informatika Vol. 2 No. 2 (2024): Desember 2024
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Apakah itu akurasi ? Apakah perbedaannya dengan presisi? Artikel ini membahas kedua hal tersebut secara matematis dan contoh.
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%.
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%.

Page 4 of 5 | Total Record : 44

 1   2   3   4   5 

Filter by Year

2023 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