cover
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
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.
Articles 44 Documents
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.