cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Oki Arifin
Contact Email
okiarifin@polinela.ac.id
Phone
+62721703995
Journal Mail Official
coding@polinela.ac.id
Editorial Address
Jl. Soekarno Hatta No.10, Rajabasa Raya, Kec. Rajabasa, Kota Bandar Lampung, Lampung 35144
Location
Kota bandar lampung,
Lampung
INDONESIA
Coding: Journal of Computing and Software Engineering
Published by Politeknik Negeri Lampung
ISSN : 3109869X     EISSN : 3109869X     DOI : https://doi.org/10.25181
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Library & Information Science
Coding: Journal of Computing and Software Engineering is a peer-reviewed blind journal dedicated to the publication of quality research results in the field of Applied Computing and Software Engineering but is not limited implicitly. The journal serves a forum for both applied and theoretical understanding and encourages submissions from both within and beyond academia. All publications in the Coding journal are open access, which allows articles to be freely available online without any subscription. Coding: Journal of Computing and Software Engineering accepts scientific articles with research scopes on: 1) Software Engineering Approaches, Methodologies, Techniques, and Tools; 2) Applied Data Mining and Warehousing; 3) Artificial Intelligence System; 4) Information Systems Concepts, Strategies, Practices, Tools and Technologies; 5) Computer Networks; 6) Geographical Information Systems; 7) Mobile Commerce and their Applications; 8) E-Business and E-Government Adoption; 9) Internet and E-Commerce Architecture, Infrastructure, Models, Deployment Strategies and Methodologies; 10) Big Data; 11) Image processing; 12) Machine Learning; 13) Internet of Things; 14) Information and Internet Security; 15) Other relevant study topics.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 5 Documents
 1 
Search results for , issue "Vol. 1 No. 2: DESEMBER 2025" : 5 Documents clear
Peran ChatGPT dalam Meningkatkan dan Menghambat Proses Belajar Mahasiswa di Era Digital Dya Arzepta Maiza; Nayla Sifa Syabila; Salwa Aprila; Harun Mukhtar; Rahmad Gunawan; Januar Al Amien
Coding: Journal of Computing and Software Engineering Vol. 1 No. 2: DESEMBER 2025
Publisher : Coding: Journal of Computing and Software Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25181/coding.v1i2.4363

Abstract

The rapid development of generative AI, such as ChatGPT, has had a significant impact on higher education, particularly in open and distance learning (ODL) systems. This transformation is not only changing the way students access information but also influencing the interaction patterns between lecturers and students in digital environments. Research shows that while ChatGPT offers advantages such as fast information access, writing assistance, instant feedback, and personalized learning tailored to individual needs, its unwise use can reduce intrinsic learning motivation, trigger over-dependence, and hinder the development of students' critical thinking, analytical skills, and creativity. Furthermore, various ethical challenges arise, such as the potential for plagiarism, data privacy violations, algorithmic bias, and low AI literacy among users. Therefore, an adaptive AI utilization strategy is needed, integrated into the curriculum, and based on clear ethical principles and regulations to support innovative learning without compromising students' academic integrity and intellectual abilities in a sustainable manner.
Penerapan Random Forest untuk Identifikasi Tipe Kepribadian: Studi Kasus Klasifikasi Introvert dan Extrovert Fauzan Azim; Doni Iskandar Rotama Sihaloho; Muhammad Rizki; Afdanil Hidayat Alghifary; Husnul Qadri Habibullah; Harya Jaya Kusuma; Rahmad Gunawan
Coding: Journal of Computing and Software Engineering Vol. 1 No. 2: DESEMBER 2025
Publisher : Coding: Journal of Computing and Software Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25181/coding.v1i2.4368

Abstract

Pengelompokan tipe kepribadian menjadi salah satu cara penting untuk memahami bagaimana individu berinteraksi dalam konteks sosial. Penelitian ini mengeksplorasi penerapan algoritma pembelajaran mesin dalam membedakan individu ke dalam dua kategori kepribadian utama: introvert dan ekstrovert, berdasarkan indikator perilaku sosial yang dapat diukur secara kuantitatif. Dataset yang digunakan mencakup 2.900 observasi dengan variabel-variabel seperti durasi waktu yang diluangkan secara mandiri, frekuensi partisipasi dalam kegiatan sosial, tingkat interaksi di luar lingkungan rumah, serta jumlah teman dalam jaringan sosial. Sebelum analisis, data mengalami proses pra-pemrosesan yang meliputi konversi variabel kategorikal menjadi bentuk numerik dan penskalaan fitur numerik agar seragam. Model klasifikasi yang digunakan adalah Random Forest Classifier dengan parameter baku, yang divalidasi menggunakan pembagian data latih dan uji melalui teknik stratified split untuk menjaga keseimbangan distribusi kelas. Hasil evaluasi menunjukkan performa model yang baik, dengan tingkat akurasi sebesar 90,86% dan F1-Score mencapai 91,03%. Temuan ini menegaskan bahwa pendekatan berbasis pembelajaran mesin, terutama model ensemble seperti Random Forest memiliki potensi besar dalam mengidentifikasi ciri kepribadian melalui pola perilaku sosial yang terekam.
Perbandingan Kinerja Model Machine Learning dalam Memprediksi Konsumsi Bahan Bakar Kendaraan Affan Prasetya; Oki Arifin
Coding: Journal of Computing and Software Engineering Vol. 1 No. 2: DESEMBER 2025
Publisher : Coding: Journal of Computing and Software Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25181/coding.v1i2.4379

Abstract

Penelitian ini membahas upaya prediksi konsumsi bahan bakar kendaraan berbasis algoritma machine learning untuk mendukung efisiensi energi dan pengurangan emisi karbon. Sektor transportasi merupakan kontributor signifikan terhadap konsumsi energi nasional, sehingga diperlukan model prediksi akurat yang dapat digunakan dalam perencanaan kebijakan. Penelitian ini bertujuan membandingkan kinerja tiga algoritma regresi Decision Tree (DT), Random Forest (RF), dan Support Vector Machine (SVM) dalam memprediksi konsumsi bahan bakar berdasarkan fitur teknis kendaraan. Dataset yang digunakan bersumber dari Natural Resources Canada, terdiri dari variabel seperti kapasitas mesin, silinder, transmisi, emisi CO₂, dan konsumsi bahan bakar. Proses pra-pemrosesan mencakup one-hot encoding, normalisasi, dan pembagian data (hold-out 80:20). Evaluasi dilakukan menggunakan metrik RMSE, MAE, dan koefisien determinasi (R²). Hasil menunjukkan bahwa model Decision Tree memiliki performa terbaik dengan nilai RMSE terendah (0.326), MAE terendah (0.22), dan R² tertinggi (0.960), mengungguli Random Forest dan SVR. Temuan ini menunjukkan bahwa model sederhana namun tepat guna dapat lebih unggul dari model kompleks dalam kondisi dataset tertentu. Penelitian ini memberikan kontribusi terhadap pengembangan sistem prediktif efisiensi energi kendaraan dan dapat digunakan sebagai dasar untuk kebijakan transportasi berkelanjutan.
RAILFUN: Aplikasi Multimedia On Demand Berbasis Chat Bot Sebagai Layanan Hiburan Pada Kereta API Riza Sukmawardani; Sirli Fahriah; Afandi Nur Aziz Thohari
Coding: Journal of Computing and Software Engineering Vol. 1 No. 2: DESEMBER 2025
Publisher : Coding: Journal of Computing and Software Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25181/coding.v1i2.4424

Abstract

Perjalanan  kereta  api  yang  panjang  sering  kali menimbulkan kebosanan bagi penumpang, terutama dengan minimnya fitur hiburan mandiri dan keterbatasan akses internet. Penelitian ini mengusulkan pengembangan aplikasi "Railfun: Aplikasi Multimedia On Demand Berbasis  chatbot Sebagai Layanan Hiburan Pada Kereta Api" untuk mengatasi permasalahan tersebut. Tujuan utama penelitian ini adalah mengembangkan aplikasi Railfun sebagai platform layanan Multimedia on Demand yang optimal bagi penumpang kereta api, serta mengintegrasikan fitur  chatbot untuk meningkatkan interaksi dan kemudahan pengguna. Aplikasi ini dirancang untuk menyediakan akses offline ke berbagai konten hiburan seperti video, musik, dan permainan, dilengkapi dengan  chatbot sebagai asisten virtual yang intuitif. Hasil evaluasi kepuasan pengguna menunjukkan bahwa 89,68% responden menyatakan puas dengan aplikasi Railfun, yang mengindikasikan kategori 'Sangat Memuaskan'. Diharapkan, Railfun dapat meningkatkan kenyamanan dan kepuasan penumpang selama perjalanan, sekaligus menjadi solusi inovatif dalam meningkatkan kualitas layanan transportasi publik melalui pemanfaatan teknologi digital yang modern dan efisien.
Analisis Komparatif Kinerja Algoritma Naive Bayes dengan dan tanpa Seleksi Fitur Chi-Square untuk Deteksi Spam Email Fitra Salam S. Nagalay; Desi Rahma Aryanti; Fathurrahman Kurniawan Ikhsan
Coding: Journal of Computing and Software Engineering Vol. 1 No. 2: DESEMBER 2025
Publisher : Coding: Journal of Computing and Software Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25181/coding.v1i2.4572

Abstract

Email telah menjadi alat komunikasi vital, namun efektivitasnya terdegradasi oleh volume spam yang tinggi. Algoritma Naive Bayes (NB) adalah metode machine learning yang populer untuk klasifikasi spam. Namun, kinerja NB dapat dipengaruhi oleh tingginya dimensi data (jumlah fitur kata yang sangat banyak). Penelitian ini bertujuan untuk menganalisis dampak seleksi fitur Chi-Square  terhadap kinerja Naive Bayes. Metode penelitian ini adalah analisis komparatif antara dua model: (A) Naive Bayes standar, dan (B) Naive Bayes dengan seleksi fitur Chi-Square. Kedua model menggunakan vektorisasi TF-IDF pada dataset Enron yang berisi 33.716 email. Model A menggunakan 5.000 fitur, sedangkan Model B direduksi menjadi 1.000 fitur terbaik hasil seleksi . Hasil penelitian menunjukkan bahwa Model A (tanpa ) telah mencapai akurasi sangat tinggi sebesar 98,1%. Model B (dengan  mampu mencapai akurasi yang hampir identik sebesar 98,0%, dengan nilai presisi dan recall yang juga serupa. Kesimpulan dari penelitian ini adalah penerapan Chi-Square pada kasus ini tidak meningkatkan akurasi (karena model dasar sudah mencapai kinerja puncak), namun terbukti sangat efektif dalam mereduksi dimensi fitur sebesar 80% (dari 5.000 menjadi 1.000 fitur) sambil tetap mempertahankan kinerja model. Hal ini menunjukkan bahwa kombinasi NB+  menghasilkan model yang jauh lebih efisien secara komputasi.

Page 1 of 1 | Total Record : 5

 1 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol. 1 No. 2: DESEMBER 2025 Vol. 1 No. 1: JUNI 2025