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 49 Documents
 1   2   3   4   5 
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.
Pengembangan Sistem Rekomendasi Anime Berbasis Deep Q-Network (DQN) Ricky Ariesta Fakhruddin; Izzatul Ummah; Selly Meliana
LOGIC: Jurnal Penelitian Informatika Vol. 4 No. 1 (2026): June 2026
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v4i1.10977

Abstract

Sistem rekomendasi berperan penting dalam membantu pengguna menemukan konten sesuai preferensi di tengah banyaknya informasi. Penelitian ini membandingkan dua pendekatan, yaitu Collaborative Filtering (CF) berbasis Singular Value Decomposition (SVD) dan Reinforcement Learning (RL) berbasis Deep Q-Network (DQN). Fokus utama penelitian adalah menilai efektivitas keduanya dalam memberikan rekomendasi anime yang relevan, baik untuk pengguna eksisting maupun pengguna baru (cold-start). Dataset penelitian diambil dari Kaggle, melalui tahap preprocessing berupa pembersihan data, normalisasi fitur, dan encoding genre dengan one-hot. Model CF dilatih menggunakan parameter hasil tuning, sedangkan model RL dibangun dalam lingkungan simulasi dengan fungsi reward berbobot yang menggabungkan rating pengguna, skor global anime, dan kesamaan preferensi genre. Evaluasi dilakukan menggunakan skenario Top-N Recommendation (N = 1, 3, 5, 10, 15, 20) dengan metrik Precision@N, Recall@N, dan F1-Score@N. Item relevan untuk pengguna eksisting ditentukan berdasarkan reward persentil ke-80, sementara untuk pengguna baru ditetapkan pada anime dengan skor global ≥ 9.0. Hasil menunjukkan RL dengan DQN unggul pada masalah cold-start, sedangkan CF lebih baik untuk pengguna dengan riwayat interaksi. Perbandingan ini menyoroti kelebihan dan keterbatasan masing-masing pendekatan, sekaligus memberi panduan dalam memilih strategi rekomendasi sesuai konteks pengguna.
Klasifikasi Sentimen pada Dataset Ulasan Film menggunakan Machine Learning dan OpenAI Text Embedding Azzam Abdurrahman; Moch. Arif Bijaksana; Kemas Muslim Lhaksmana
LOGIC: Jurnal Penelitian Informatika Vol. 4 No. 1 (2026): June 2026
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v4i1.10992

Abstract

Analisis sentimen pada ulasan film menjadi semakin penting seiring dengan meningkatnya volume data tekstual. Performa model machine learning untuk tugas ini sangat bergantung pada kualitas representasi teks yang digunakan. Penelitian ini bertujuan untuk mengevaluasi efektivitas model embedding teks kontekstual dari OpenAI, Text-embedding-3-large, untuk klasifikasi sentimen pada dataset Movie Reviews. Metodologi penelitian mencakup dua pendekatan klasifikasi: supervised learning menggunakan Support Vector Machine dan Logistic Regression, serta klasifikasi zero-shot. Performa Text-embedding-3- large dibandingkan secara langsung dengan model embedding statis Word2Vec pada dataset yang telah dibersihkan dan dataset asli. Hasil penelitian menunjukkan bahwa Text-embedding-3-large secara signifikan mengungguli Word2Vec, dengan peningkatan F1-score dari 78.01% menjadi 93.20%. Konfigurasi terbaik dicapai oleh kombinasi Support Vector Machine dengan hyperparameter default pada dataset yang tidak dibersihkan, yang mengindikasikan kemampuan model memanfaatkan informasi kontekstual dari tanda baca. Selain itu, pendekatan zero-shot menunjukkan kinerja yang cukup baik dengan F1-score 86.29%, yang membuktikan kapabilitas generalisasi model tanpa memerlukan data latih berlabel.
Penerapan Algoritma Resedual Network 50 dan Convusional Block Attention Module untuk Deteksi Citra Deepfake Muhammad Dimas Aulia Putra; Syifa Nurgaida Yutia; Demi Adidrana, ST., M.T.I.
LOGIC: Jurnal Penelitian Informatika Vol. 4 No. 1 (2026): June 2026
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v4i1.11021

Abstract

Deepfake merupakan teknologi berbasis kecerdasan buatan dengan teknologi deep learning yang mampu menciptakan atau memanipulasi wajah seseorang secara realistis. Dalam survey terbaru VIDA Where’s The Fraud – Protecting Indonesia Business from AI Generated Fraud, menemukan lonjakan 1540% pada kasus penipuan deepfake di wilayah APAC tahun 2022 hingga 2023, sementara di indonesia terdapat 1550% kasus penipuan. Peningkatan signifikan kasus deepfake ini menunjukkan tantangan baru dalam mendeteksi manipulasi visual menggunakan teknologi Artificial Intelligence (AI). Di samping manfaatnya penggunaan teknologi deep learning ini bisa menjadi ancaman serius dalam kasus penipuan dan pemerasan, diperlukan metode deteksi berbasis kecerdasan buatan untuk mendeteksi deepfake secara efektif dan efisien. Penelitian ini berfokus pada pengembangan dan penerapan metode deteksi deepfake berbasis Convolutional Neural Network (CNN) menggunakan arsitektur Residual Network 50 (ResNet50) yang dimodifikasi dengan Convusion Block Ateention Module (CBAM) untuk meningkatkan akurasi dalam mendeteksi pola-pola artefak yang muncul pada citra deepfake, sebagai kontribusi dalam upaya mitigasi penyalahgunaan teknologi deepfake yang semakin marak. Penelitian ini menggunakan dataset kaggle yang berjumlah 8000 dataset. Dataset yang akan digunakan untuk perbandingan keaslian data melalui tahapan normalisasi, pelatihan model, dan evaluasi performa dengan metrik akurasi yang terdiri dari gambar asli dan gambar yang sudah menggunakan deepfake yang dihasilkan melalui teknologi berbasis AI. Dalam studi terdahulu Penggunaan ResNet50 dalam kelasifikasi menunjukan hasil sebesar 78,87% sedangkan integrasi menggunakan attention mecanism pada ResNet50 dengan Long- Distance Attention Module mencapai akurasi hingga 94.30% dan AUC 98.70%. Hasil dari penelitian ini menunjukan penggunaan CBAM pada 8000 dataset menghasilkan metrix akurasi Accuracy 68.44%, Precision 72,26%, Recall 53,73%, dan F1- score 61,63%, dan dari hasil pengamatan pada 6000 dataset ditemukan Accuracy 75.27%, Precision 67,91%, Recall 95,80%, dan F1- score 79,43%. Dengan pendekatan ini di harapkan mampu menjadi solusi yang efektif untuk meningkatkan keamanan sistem berbasis biometrik, serta mencegah penyalahgunaan teknologi deepfake dalam berbagai sektor.
Sistem Pendukung Keputusan Pemilihan Saham Untuk Portofolio Dengan Menggunakan Metode Support Vector Regression (SVR) Dan Analisis Fundamental (FA) Rangga Lesmana; Deni Saepudin; Erwin Budi Setiawan
LOGIC: Jurnal Penelitian Informatika Vol. 4 No. 1 (2026): June 2026
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v4i1.11853

Abstract

Pemilihan saham yang tepat sangat penting dalam membangun portofolio investasi yang optimal karena dapat memaksimalkan keuntungan dan mengurangi risiko, yang merupakan fokus utama investor dalam pengambilan keputusan. Penelitian ini bertujuan mengembangkan sistem pendukung keputusan menggunakan Support Vector Regression (SVR) dan analisis fundamental (FA) untuk memprediksi return saham serta memilih saham terbaik untuk portofolio. SVR diterapkan dengan kernel Radial Basis Function (RBF) untuk memprediksi return saham berdasarkan data historis, sementara FA menganalisis indikator keuangan seperti Return On Asset (ROA), Return On Equity (ROE), Debt to Equity Ratio (DER), dan Price to Book Value (PBV). Portofolio kemudian dibentuk menggunakan model Equal-Weighted (EW). Hasil penelitian menunjukkan bahwa kombinasi SVR dan FA menghasilkan rata-rata return portofolio sebesar 0,0099 dengan standar deviasi 0,0726, lebih tinggi dibandingkan dengan SVR saja yang memiliki rata-rata return sebesar 0,0047 dan standar deviasi 0,0668. Temuan ini menegaskan bahwa pendekatan kombinasi SVR dan FA mampu meningkatkan kinerja portofolio dan mengurangi risiko secara signifikan, sehingga menawarkan strategi investasi yang lebih optimal. Penelitian ini juga merekomendasikan eksplorasi lebih lanjut dengan memperluas data yang digunakan serta mempertajam penerapan SVR dan analisis fundamental untuk meningkatkan akurasi prediksi dan optimasi portofolio.
Analisis Perbandingan Proses Pembangunan Aplikasi Berbasis Website: Pendekatan Manual Vs AI-generated Aldiansyah; Dana Sulistiyo Kusumo
LOGIC: Jurnal Penelitian Informatika Vol. 4 No. 1 (2026): June 2026
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v4i1.11854

Abstract

Penelitian ini membandingkan proses pengembangan aplikasi web dengan pendekatan manual dan yang dihasilkan oleh AI-generated, fokus pada kecepatan, kemudahan pemeliharaan, dan duplikasi kode. Tujuan utama penelitian adalah untuk mengevaluasi efisiensi waktu, kemudahan pemeliharaan, dan tingkat duplikasi kode dari kedua pendekatan. Metodologi yang digunakan meliputi pembuatan aplikasi web secara manual dan dengan bantuan AI-generated, diikuti dengan pengujian waktu dan analisis kode menggunakan SonarQube. Proses pembuatan aplikasi terdiri dari pendaftaran, login, dashboard, dan pemilihan data. Hasil penelitian menunjukkan bahwa pendekatan AI-generated secara signifikan lebih cepat dalam pembuatan kode dibandingkan dengan pendekatan manual. Namun, meskipun AI-generated mempercepat proses, kode yang dihasilkan cenderung memiliki tingkat duplikasi yang lebih tinggi dan lebih banyak isu yang harus diperbaiki. Sebaliknya, pendekatan manual meskipun memerlukan waktu lebih lama, menghasilkan kode dengan duplikasi yang lebih rendah dan lebih mudah dipelihara. Kesimpulan penelitian ini menegaskan pentingnya mempertimbangkan keseimbangan antara efisiensi waktu dan kualitas kode saat memilih metode pengembangan perangkat lunak. Penelitian ini memberikan wawasan tentang dampak penggunaan AI-generated dalam pengembangan perangkat lunak dan bagaimana transisi antara pendekatan AI-generated dan manual dapat mempengaruhi proses pengembangan.

Page 5 of 5 | Total Record : 49

 1   2   3   4   5 

Filter by Year

2023 2026


Reset
Filter By Issues
All Issue Vol. 4 No. 1 (2026): June 2026 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