cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Zulfan Zainal
Contact Email
zulfanzainal@serambimekkah.ac.id
Phone
+6281360353540
Journal Mail Official
jnkti@serambimekkah.ac.id
Editorial Address
Gedung H Fakultas Teknik Universitas Serambi Mekkah Jl. T. Imum Lueng Bata, Telp. 081360353540, Batoh – Banda Aceh
Location
Kota banda aceh,
Aceh
INDONESIA
Jurnal Nasional Komputasi dan Teknologi Informasi
Published by Universitas Serambi Mekkah Aceh
ISSN : 26208342     EISSN : 26213052     DOI : https://doi.org/10.32672/xfbz0715
Core Subject :
Jurnal Nasional Komputasi dan Teknologi Informasi adalah jurnal nasional yang diterbitkan oleh Program Studi Teknik Komputer Universitas Serambi Mekkah tahun 2018 dan telah Terakreditasi SINTA 5. Jurnal ini terbit sebanyak enam edisi dalam satu tahun yaitu setiap bulan Februari, April, Juni, Agustus, Oktober dan Desember baik cetak (P-ISSN : 2620-8342) dan online (E-ISSN: 2621-3052). Jurnal ini mempublikasikan artikel-artikel ilmiah yang berkaitan dengan bidang Komputer dan Teknologi Informasi dengan scope Rekayasa Perangkat Lunak, Sistem Informasi, Jaringan Komputer, Elektronika dan Sistem Kontrol, Multimedia dan Pengolahan Citrat Digital serta bidang Komputer dan Informatika lainnya yang relevan. Artikel yang dikirimkan ke JNKTI dapat ditulis dalam Bahasa Indonesia atau Bahasa Inggris. Setiap artikel yang dipublikasi dalam jurnal ini akan direview terlebih dahulu dengan metode Peer-Review dan hanya artikel yang memenuhi syarat yang akan dipublikasikan. Artikel-artikel yang telah dipublikasikan oleh JNKTI juga sudah diindeks oleh beberapa lembaga indeksasi seperti Google Scholar, Garuda, CrossRef, BASE, Moraref dan SINTA. Bidang bidang fokus penelitian yang akan dipublikasi dalam jurnal ini antara lain : Bidang Rekayasa Perangkat Lunak Bidang Jaringan Komputer Bidang Multimedia dan Pengolahan Citra Digital Bidang Komputasi Bidang Sistem dan Teknologi Informasi Bidang Kecerdasan Buatan Multidisiplin ilmu lainnya yang relevan. Artikel ditulis sesuai Template JNKTI sebelum disumbit.
Arjuna Subject : -
Articles 124 Documents
 9   10   11   12   13 
Evaluasi Kinerja Algoritma Random Forest dan Naive Bayes untuk Deteksi Ddos Menggunakan Framework Eksperimental Iqbal Ikhsanudin; Robby Rohman Sukarya; Novita Anggraini
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 4 (2026): Agustus, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/dp368q73

Abstract

Abstrak - Keamanan pada ekosistem Internet of Things (IoT) menghadapi tantangan besar akibat ancaman serangan Distributed Denial of Service (DDoS). Penelitian ini bertujuan melakukan analisis komparatif performa algoritma Random Forest dan Naive Bayes dalam mengklasifikasikan serangan DDoS pada jaringan IoT. Pemutakhiran data dilakukan menggunakan dataset standar terbaru yaitu CIC-IoT 2023 yang merepresentasikan trafik perangkat IoT dalam tiga tahun terakhir. Metodologi penelitian meliputi tahap pra-pemrosesan melalui cleaning, label encoding, dan Random Downsampling untuk efisiensi volume data, dilanjutkan dengan pembagian data menggunakan rasio 80:20. Pengujian terkontrol dilakukan pada data uji sebanyak 420.526 baris untuk membandingkan efektivitas deteksi dan efisiensi waktu eksekusi. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memiliki performa superior dengan tingkat akurasi mencapai 99,22% dan mampu menekan kasus False Positive secara signifikan hingga hanya 169 kasus. Sebaliknya, Naive Bayes unggul dalam efisiensi waktu pelatihan yang hanya membutuhkan waktu 1,44 detik, namun akurasinya lebih rendah yaitu sebesar 75,25% dengan tingkat False Positive yang tinggi mencapai 101.142 kasus. Kebaruan penelitian ini terletak pada pengujian performa model ensemble learning dan probabilistik menggunakan dataset trafik IoT paling mutakhir berskala besar pada skenario simulasi laboratorium Near Real-Time. Penelitian ini diharapkan memberikan landasan teknis yang optimal bagi pengelolaan strategi pertahanan jaringan IoT yang responsif. Kata kunci : DDoS; Jaringan IoT; CIC-IoT2023; Random Forest; Naive Bayes; Abstract - Security in the Internet of Things (IoT) ecosystem faces significant challenges due to the threat of Distributed Denial of Service (DDoS) attacks. This study aims to conduct a comparative analysis to evaluate the performance of Random Forest and Naive Bayes algorithms in classifying DDoS attacks on IoT networks. Data updating is performed by utilizing the state-of-the-art dataset, CIC-IoT 2023, representing IoT device traffic from the last three years. The research methodology involves data pre-processing stages, including cleaning, label encoding, and Random Downsampling to ensure efficient handling of massive data volumes, followed by data splitting with an 80:20 ratio. Controlled testing was conducted on a test dataset of 420,526 rows to compare detection effectiveness and execution time efficiency. The evaluation results demonstrate that the Random Forest algorithm achieves superior performance with an accuracy rate of 99.22% and significantly reduces False Positive cases to only 169 cases. Conversely, Naive Bayes excels in training time efficiency, requiring only 1.44 seconds, but yields a lower accuracy of 75.25% with a high number of False Positive cases reaching 101,142. The novelty of this research lies in evaluating ensemble learning and probabilistic models using the most recent large-scale IoT traffic dataset in a Near Real-Time laboratory simulation scenario. This research is expected to provide an optimal technical foundation for managing responsive IoT network defense strategies Keywords : DDoS; IoT Network; CIC-IoT2023; Random Forest; Naive Bayes;
Implementasi Sistem Deteksi serta Pencegahan Intrusi Menggunakan Suricata Python dan IP Tables dengan Metode SPDLC Panca Prakarsa Kurniawan; Mohammad Nur Fitriyadi; Mamok Andri Sanubekti
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 4 (2026): Agustus, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/kp2sht81

Abstract

Abstrak - Keamanan jaringan merupakan aspek fundamental dalam menjaga integritas infrastruktur teknologi informasi dari ancaman siber yang terus berevolusi. Permasalahan utama yang melatarbelakangi penelitian ini adalah tingginya aktivitas network scanning sebagai fase awal serangan siber, di mana respons pertahanan konvensional seringkali terlambat karena masih bergantung pada intervensi manual administrator. Keterlambatan respons tersebut menciptakan celah waktu yang krusial bagi penyerang untuk mengeksploitasi kerentanan sistem. Penelitian ini bertujuan untuk mengimplementasikan kebijakan keamanan respons otomatis melalui pembangunan sistem Intrusion Detection and Prevention System (IDPS) yang mampu memitigasi serangan secara real-time. Metode yang diterapkan adalah Secure Policy Development Life Cycle (SPDLC), yang mencakup tahapan analisis risiko, perancangan kebijakan, implementasi teknis, dan evaluasi kepatuhan. Dalam implementasinya, penelitian ini mengintegrasikan Suricata sebagai sensor deteksi berbasis signature, skrip Python sebagai penegak kebijakan (policy enforcer) otomatis yang terhubung dengan notifikasi Telegram, dan Iptables sebagai eksekutor pemblokiran. Untuk meningkatkan akurasi, sistem dilengkapi dengan mekanisme thresholding guna meminimalisasi false positive serta konsep jail time untuk pemblokiran alamat IP penyerang secara sementara. Pengujian dilakukan dengan mensimulasikan serangan Nmap dalam lingkungan virtual terkendali. Hasil penelitian menunjukkan bahwa sistem mampu mengeksekusi kebijakan keamanan secara otomatis dengan rata-rata latensi eksekusi sebesar 69,68 milidetik (ms) dan berhasil memblokir serangan sekaligus mengirimkan laporan notifikasi secara instan. Kata kunci : IDPS Otomatis; Jail Time; Latensi; Network Scanning; SPDLC; Thresholding; Abstract - Network security is a fundamental aspect of maintaining information technology infrastructure integrity against constantly evolving cyber threats. The primary issue underlying this research is the high prevalence of network scanning activities as the initial phase of cyberattacks, where traditional defensive responses are often delayed due to reliance on manual administrator intervention. This latency creates a critical time window for attackers to exploit system vulnerabilities. This research aims to implement automated response security policies by building an Intrusion Detection and Prevention System (IDPS) capable of mitigating attacks in real-time. The method applied is the Secure Policy Development Life Cycle (SPDLC), encompassing risk analysis, policy design, technical implementation, and compliance evaluation phases. In its implementation, this research integrates Suricata as a signature-based detection sensor, Python scripts as an automated policy enforcer connected to Telegram notifications, and Iptables as the blocking executor. To enhance accuracy, the system is equipped with a thresholding mechanism to minimize false positives and a jail time concept for temporary IP address blocking. Testing is conducted by simulating Nmap attacks in a controlled virtual environment. The results demonstrate that the system can execute security policies automatically with an average execution latency of 69.68 milliseconds (ms), successfully blocking attacks while sending instant notification reports. Keywords: Automated IDPS; Jail Time; Latency; Network Scanning; SPDLC; Thresholding;
Klasifikasi Citra Motif Batik Sendangagung Paciran Menggunakan Convolutional Neural Network (CNN) dengan Arsitektur VGG16 Zufar Faiil Haq; Mufti Ari Bianto; Khairul Umam
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 4 (2026): Agustus, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/enej5w87

Abstract

Abstrak - Batik merupakan warisan budaya Indonesia yang memiliki nilai budaya dan filosofis tinggi, termasuk Batik Sendangagung Paciran, Lamongan, yang memiliki motif khas seperti Bandeng Lele, Singo Mengkok, dan Gapuro Paduraksa. Variasi serta kemiripan antar motif batik menyebabkan masyarakat kesulitan mengenali jenis motif batik secara tepat. Penelitian ini bertujuan membangun sistem klasifikasi citra Batik Sendangagung Paciran menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur VGG16. Dataset yang digunakan berjumlah 900 citra melalui dokumentasi langsung di Sido Makmur Batik Lamongan, terdiri atas tiga kelas dengan masing-masing 300 citra. Tahap preprocessing meliputi resize citra 128×128 piksel, normalisasi, augmentasi, serta pembagian data latih, validasi, dan uji. Model dilatih selama 100 epoch menggunakan optimizer Adam dan dievaluasi menggunakan accuracy, precision, recall, F1-score, serta confusion matrix. Hasil penelitian menunjukkan akurasi sebesar 98,89% dengan loss 0,0823. Kelas Batik Bandeng Lele memiliki performa sempurna dengan precision, recall, dan F1-score sebesar 1,00. Kelas Batik Gapuro Paduraksa memperoleh F1-score 0,98, sedangkan Batik Singo Mengkok memperoleh recall 0,97. Hal ini membuktikan bahwa model mampu mengenali setiap motif batik dengan sangat baik dan memiliki tingkat kesalahan prediksi yang rendah. Kata kunci : Batik; Pembelajaran Mendalam; Klasifikasi Citra; CNN; VGG16; Abstract - Batik is an Indonesian cultural heritage that holds high cultural and philosophical value, including Batik Sendangagung Paciran, Lamongan, which has distinctive motifs such as Bandeng Lele, Singo Mengkok, and Gapuro Paduraksa. The variations and similarities between batik motifs make it difficult for the public to accurately recognize the types of batik motifs. This study aims to build an image classification system for Batik Sendangagung Paciran using the Convolutional Neural Network (CNN) method with the VGG16 architecture. The dataset used consists of 900 images obtained through direct documentation at Sido Makmur Batik Lamongan, comprising three classes with 300 images each. The preprocessing stage includes resizing the images to 128×128 pixels, normalization, augmentation, and splitting into training, validation, and test data. The model was trained for 100 epochs using the Adam optimizer and evaluated using accuracy, precision, recall, F1-score, and confusion matrix. The results show an accuracy of 98.89% with a loss of 0.0823. The Batik Bandeng Lele class achieved perfect performance with precision, recall, and F1-score of 1.00. The Batik Gapuro Paduraksa class obtained an F1-score of 0.98, while Batik Singo Mengkok achieved a recall of 0.97. This proves that the model is able to recognize each batik motif very well and has a low prediction error rate. Keywords: Batik; Deep Learning; Image Classification; CNN; VGG16;
Sistem Pakar Menggunakan Metode Forward Chaining untuk Diagnosis Penyakit Tetelo pada Unggas   Saputra Dwi Nurcahya; Dian Nazelliana; Purwanti
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 4 (2026): Agustus, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/s7k96c48

Abstract

Abstrak - Penelitian ini membahas pengembangan sistem pakar untuk mendiagnosis penyakit Tetelo (Newcastle Disease) pada unggas dengan studi kasus di peternakan Depok Unggas. Penyakit Tetelo menjadi salah satu ancaman serius bagi keberlangsungan usaha peternakan unggas karena tingkat penularannya tinggi dan gejalanya sering kali sulit dibedakan dari penyakit unggas lainnya. Penelitian ini bertujuan merancang dan membangun sistem pakar berbasis komputer yang mampu membantu peternak melakukan diagnosis dini secara cepat, mandiri, dan akurat. Metode inferensi yang digunakan adalah forward chaining, di mana gejala yang diinput pengguna akan ditelusuri dan dicocokkan dengan basis aturan (rule) hingga diperoleh kesimpulan berupa diagnosis penyakit. Pengetahuan dalam sistem dikumpulkan melalui wawancara dengan pakar dan studi literatur, sementara sistem dikembangkan dengan fitur diagnosis interaktif serta fasilitas pengelolaan data gejala, penyakit, dan rule bagi administrator. Hasil penelitian menunjukkan bahwa sistem berhasil memberikan diagnosis beserta deskripsi penyakit dan saran penanganan awal, sehingga dapat membantu peternak mengambil langkah tepat sebelum memperoleh layanan medis dari tenaga ahli. Antarmuka yang intuitif memudahkan pengguna maupun admin dalam menjalankan sistem, meskipun efektivitas diagnosis tetap sangat bergantung pada kelengkapan data yang dimasukkan. Dengan demikian, sistem pakar ini diharapkan mampu menjadi solusi praktis bagi peternak unggas, khususnya di Depok Unggas, dalam mendeteksi penyakit Tetelo dan meningkatkan produktivitas serta keberlangsungan usaha peternakan. Kata kunci : Sistem Pakar; Tetelo; Forward Chaining; Abstract - This study discusses the development of an expert system to diagnose Newcastle Disease (Tetelo) in poultry, using the Depok Unggas farm as a case study. Newcastle Disease poses a serious threat to the viability of poultry farming businesses due to its high transmission rate and symptoms that are often difficult to distinguish from other poultry diseases. The study aims to design and build a computer-based expert system capable of assisting farmers in performing rapid, independent, and accurate early diagnoses. The inference method employed is forward chaining, wherein symptoms input by the user are traced and matched against a rule base until a diagnostic conclusion is reached. System knowledge was gathered through expert interviews and literature reviews, while the system was developed to include interactive diagnostic features and data management tools—covering symptoms, diseases, and rules—for administrators. Research results indicate that the system successfully provides diagnoses, along with disease descriptions and initial management recommendations, thereby enabling farmers to take appropriate measures before seeking professional veterinary care. An intuitive interface facilitates system operation for both users and administrators, although diagnostic effectiveness remains heavily dependent on the completeness of the input data. Consequently, this expert system is expected to serve as a practical solution for poultry farmers—particularly at Depok Unggas—in detecting Newcastle Disease and enhancing both productivity and business sustainability. Keywords: Expert System; Tetelo; Forward Chaining;
Implementasi Algoritma C4.5 dalam Klasifikasi Jenis Konsumen LPG 3 Kg Menggunakan Data Transaksi Pelanggan Syifa Aenun Naja; Nuk Ghurroh Setyoningrum
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 4 (2026): Agustus, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/r1vbsf74

Abstract

Abstrak - LPG 3 Kg merupakan salah satu kebutuhan energi bersubsidi yang banyak digunakan oleh masyarakat, khususnya rumah tangga dan usaha mikro. Tingginya jumlah transaksi yang terjadi pada pangkalan LPG menghasilkan data yang berpotensi dimanfaatkan untuk mendukung pengambilan keputusan dalam pengelolaan distribusi. Namun, data transaksi tersebut umumnya hanya digunakan sebagai arsip sehingga informasi mengenai karakteristik konsumen belum dapat dimanfaatkan secara optimal. Penelitian ini bertujuan untuk mengimplementasikan algoritma C4.5 dalam mengklasifikasikan jenis konsumen LPG 3 Kg pada PT Hasan Basri Putra Jaya berdasarkan pola transaksi pelanggan. Data yang digunakan sebanyak 1.159 data konsumen yang terdiri atas 893 konsumen rumah tangga dan 266 konsumen usaha mikro. Atribut yang digunakan meliputi kategori frekuensi transaksi, kategori jumlah pembelian, dan waktu transaksi. Tahapan penelitian meliputi pengumpulan data, preprocessing data, transformasi atribut, pembentukan model C4.5, serta evaluasi model menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Data dibagi menjadi data latih sebesar 80% dan data uji sebesar 20%. Hasil penelitian menunjukkan bahwa algoritma C4.5 mampu menghasilkan akurasi sebesar 85,34%, precision sebesar 84,60%, recall sebesar 85,34%, dan F1-score sebesar 84,20%. Selain itu, atribut kategori jumlah pembelian memiliki pengaruh terbesar terhadap proses klasifikasi dengan nilai importance sebesar 52,15%, diikuti kategori frekuensi transaksi sebesar 36,25%, dan waktu transaksi sebesar 11,61%. Hasil penelitian menunjukkan bahwa algoritma C4.5 mampu mengklasifikasikan jenis konsumen LPG dengan baik sehingga dapat digunakan sebagai pendukung pengambilan keputusan dalam pengelolaan distribusi LPG. Kata Kunci: C4.5; Data Mining; Klasifikasi; Konsumen LPG; Decision tree; Abstract - LPG 3 Kg is one of the subsidized energy sources widely used by households and micro-enterprises. The large number of transactions generated at LPG distribution points produces valuable data that can be utilized to support decision-making in distribution management. However, transaction data are generally used only as archives, preventing the optimal utilization of consumer behavior information. This study aims to implement the C4.5 algorithm to classify LPG 3 Kg consumers at PT Hasan Basri Putra Jaya based on transaction patterns. The dataset consisted of 1,159 consumer records, including 893 household consumers and 266 micro-enterprise consumers. The attributes used were transaction frequency category, purchase quantity category, and transaction time. The research stages included data collection, preprocessing, attribute transformation, C4.5 model construction, and model evaluation using confusion matrix, accuracy, precision, recall, and F1-score metrics. The dataset was divided into 80% training data and 20% testing data. The results showed that the C4.5 algorithm achieved an accuracy of 85.34%, precision of 84.60%, recall of 85.34%, and F1-score of 84.20%. Furthermore, the purchase quantity category was identified as the most influential attribute with an importance value of 52.15%, followed by transaction frequency category at 36.25% and transaction time at 11.61%. These findings indicate that the C4.5 algorithm is capable of classifying LPG consumers effectively and can support decision-making processes in LPG distribution management. Keywords: C4.5; Data Mining; Classification; LPG Consumer; Decision tree;
Pengelompokan Produk Terlaris di Mikaylala Shop Menggunakan Metode Clustering dengan Algoritma K-Means Adityo Adham Firdaus; Fatih Rizki Saputra; Firly Romadhoni; Ikhsan Dwi Putra; Muhammad Alfarizi; Nur Aini Setyawati
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 4 (2026): Agustus, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/34kcpa88

Abstract

Abstrak – Perkembangan teknologi informasi mendorong pelaku usaha untuk memanfaatkan data sebagai dasar pengambilan keputusan bisnis. Mikaylala Shop adalah toko yang bergerak di bidang penjualan perlengkapan akuarium dan ikan hias dengan beragam variasi produk, sehingga pemilik kesulitan mengidentifikasi produk terlaris secara manual. Penelitian ini bertujuan menerapkan algoritma K-Means Clustering untuk mengelompokkan 341 produk berdasarkan data penjualan dari 25.319 transaksi yang diperoleh dari platform Shopee. Atribut yang digunakan adalah jumlah produk terjual (Qty Terjual) dan harga satuan (Harga), yang telah melalui tahap preprocessing berupa data cleaning, seleksi atribut, dan transformasi data. Penentuan jumlah cluster optimal menggunakan Davies-Bouldin Index (DBI) dengan menguji K=2, 3, dan 4, dan diperoleh nilai DBI terkecil pada K=3 sebesar 0,8876. Proses iterasi konvergen pada iterasi ke-4. Hasil clustering menghasilkan tiga kelompok: Cluster 1 (Terlaris/Tinggi) sebanyak 59 produk dengan volume penjualan tinggi dan harga rendah, Cluster 2 (Rendah) sebanyak 130 produk dengan volume rendah dan harga tinggi, serta Cluster 3 (Sedang) sebanyak 152 produk dengan karakteristik menengah. Implementasi juga dilakukan menggunakan RapidMiner Studio untuk memvalidasi hasil perhitungan manual. Hasil penelitian ini dapat dimanfaatkan Mikaylala Shop sebagai dasar strategi pengelolaan stok, penetapan promosi dan pengambilan keputusan bisnis yang lebih tepat. Kata kunci : Data Mining; Davies-Bouldin Index; K-Means Clustering; RapidMiner; Abstract – The development of information technology encourages business actors to utilize data as the basis for business decision-making. Mikaylala Shop is a store engaged in selling aquarium equipment and ornamental fish with a wide variety of products, making it difficult for owners to manually identify best-selling products. This study aims to apply the K-Means Clustering algorithm to group 341 products based on sales data from 25,319 transactions obtained from the Shopee platform. The attributes used are the quantity of products sold (Qty Sold) and unit price (Price), which have undergone preprocessing stages including data cleaning, attribute selection, and data transformation. The optimal number of clusters was determined using the Davies-Bouldin Index (DBI) by testing K=2, 3, and 4, resulting in the smallest DBI value of 0.8876 at K=3. The iteration process converged at the 4th iteration. The clustering results produced three groups: Cluster 1 (Best-Selling/High) with 59 products having high sales volume and low price, Cluster 2 (Low) with 130 products having low volume and high price, and Cluster 3 (Medium) with 152 products having intermediate characteristics. Implementation was also carried out using RapidMiner Studio to validate manual calculation results. The findings can be used by Mikaylala Shop as a basis for stock management strategies, promotional decisions, and more data-driven business decision-making. Keywords: Data Mining; Davies-Bouldin Index; K-Means Clustering; RapidMiner;
Implementasi Data Mining terhadap Pola Pembelian Skincare menggunakan Metode Algoritma Apriori Lolyta Erma; Rahmia Puji; Angelina Dexter; Lia Ruhlia; Nur Aini Setyawati
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 4 (2026): Agustus, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/rtnt1383

Abstract

Abstrak - Penelitian ini bertujuan menerapkan algoritma Apriori untuk menemukan pola pembelian produk skincare. Masalah utamanya adalah data transaksi yang ada belum dimanfaatkan secara optimal untuk menyusun rekomendasi paket produk, mengatur stok, dan merancang strategi promosi. Data yang digunakan berupa 1024 transaksi sampel yang mencakup pembelian facial wash, toner, serum, moisturizer, sunscreen, micellar water, acne spot treatment, sheet mask, exfoliating toner, lip balm, eye cream, dan clay mask. Tahapan penelitian meliputi pembersihan data, pengkodean item, transformasi transaksi ke matriks biner, pembentukan frequent itemset, perhitungan support, confidence, dan lift ratio, serta interpretasi aturan asosiasi. Hasilnya menunjukkan bahwa kombinasi facial wash, toner, moisturizer, dan sunscreen jadi pola pembelian paling dominan. Aturan serum ke toner menghasilkan confidence 100% dengan support 41%, sementara aturan facial wash dan serum ke sunscreen menghasilkan confidence 100%, support 32%, dan lift ratio 1,54. Temuan ini bisa dijadikan dasar untuk rekomendasi bundling, pengaturan stok, dan promosi produk pelengkap. Kata kunci: Data Mining; Apriori; Skincare. Abstract - This study applied the Apriori algorithm to identify skincare purchasing patterns. The main problem was the limited use of transaction data for product bundle recommendations, inventory control, and promotional strategy. A total of 1024 sample transactions were used, representing purchases of facial wash, toner, serum, moisturizer, sunscreen, micellar water, acne spot treatment, sheet mask, exfoliating toner, lip balm, eye cream, and clay mask. The research process covered data cleaning, item coding, binary transaction transformation, frequent itemset generation, support, confidence, and lift ratio calculation, and association rule interpretation. Results showed that facial wash, toner, moisturizer, and sunscreen formed the most dominant purchasing pattern. The rule from serum to toner achieved 100% confidence with 41% support, while the rule from facial wash and serum to sunscreen achieved 100% confidence, 32% support, and a lift ratio of 1.54. These findings can support bundle recommendations, stock arrangement, and complementary product promotions. Keywords: Data Mining; Apriori; Skincare.
Penerapan Model Regresi Linier untuk Estimasi Distribusi Kendaraan Listrik Terhadap Kendaraan Konvensional Denny Rosadi; Irfan Sulthoni; Valgy Alfiando; Dzamar Fawwaz; Dedi Martdiansyah; Ayyub Syahifulloh; Nur Aini Setiyawati
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 4 (2026): Agustus, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/rvy8m391

Abstract

Abstrak - Transisi energi global mendorong pergeseran signifikan dari kendaraan berbahan bakar fosil menuju kendaraan listrik, sehingga estimasi distribusi pasar antara kedua jenis kendaraan menjadi penting bagi pemangku kepentingan industri otomotif. Penelitian ini bertujuan menerapkan model regresi linier untuk mengestimasi distribusi kendaraan listrik (Battery Electric Vehicle) terhadap kendaraan konvensional (Internal Combustion Engine) berdasarkan data wholesales Gabungan Industri Kendaraan Bermotor Indonesia (Gaikindo) periode Januari-Desember 2025. Variabel independen (X) merupakan total distribusi kendaraan konvensional, sedangkan variabel dependen (Y) merupakan total distribusi kendaraan listrik. Perhitungan koefisien regresi dilakukan secara manual menggunakan Microsoft Excel dan diuji menggunakan perangkat lunak RapidMiner melalui operator Linear Regression. Hasil penelitian menunjukkan persamaan regresi Y = 84,50 + 0,059614364X yang mengindikasikan hubungan positif antara distribusi kendaraan konvensional dan kendaraan listrik selama periode pengamatan. Estimasi distribusi kendaraan listrik untuk tahun 2026 diperoleh melalui proyeksi variabel X menggunakan metode regresi time series, yang kemudian disubstitusikan ke dalam persamaan regresi linier. Hasil perhitungan manual dan Rapidminer menunjukkan nilai estimasi yang relatif konsisten, sehingga model ini dapat dijadikan salah satu metode pendukung pengambilan keputusan bagi produsen, pembuat kebijakan, dan investor dalam merancang strategi produksi dan distribusi kendaraan di tengah transisi energi sektor transportasi. Kata kunci : Estimasi; Gaikindo; Kendaraan Konvensional; Kendaraan Listrik; Microsoft Excel; Rapidminer; Regresi Linier;   Abstract - The global energy transition has driven a significant shift from fossil-fuel vehicles toward electric vehicles, making the estimation of market distribution between the two vehicle types important for stakeholders in the automotive industry. This study aims to apply a linear regression model to estimate the distribution of electric vehicles (Battery Electric Vehicles) relative to conventional vehicles (Internal Combustion Engine) based on wholesale data from the Association of Indonesian Automotive Industries (Gaikindo) for the period of January-December 2025. The independent variable (X) is the total distribution of conventional vehicles, while the dependent variable (Y) is the total distribution of electric vehicles. The regression coefficients were calculated manually using Microsoft Excel and validated using RapidMiner software through the Linear Regression operator. The results show the regression equation Y = 84.50 + 0.059614364X, indicating a positive relationship between the distribution of conventional and electric vehicles during the observation period. The estimated electric vehicle distribution for 2026 was obtained by projecting variable X using the time-series regression method, then substituting it into the linear regression equation. The manual calculation and RapidMiner results show relatively consistent estimation values, indicating that this model can serve as a decision-support method for manufacturers, policymakers, and investors in designing vehicle production and distribution strategies amid the energy transition in the transportation sector. Keywords: Conventional Vehicle; Electric Vehicle; Estimation; Gaikindo; Linear Regression; Microsoft Excel; Rapidminer;
Analisis dan Klasifikasi Kualitas Tidur Menggunakan Algoritma K-Means dan Decision Tree pada Sleep Health Dataset Agustiena Merdekawati
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 4 (2026): Agustus, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/0xptr359

Abstract

Abstrak - Kualitas tidur merupakan salah satu indikator penting dalam menjaga kesehatan fisik dan mental. Berbagai faktor seperti gaya hidup, kondisi kesehatan, dan aktivitas sehari-hari berpengaruh terhadap kualitas tidur seseorang. Penelitian ini bertujuan untuk mengelompokkan pola kualitas tidur menggunakan algoritma K-Means serta mengidentifikasi faktor-faktor yang memengaruhi kualitas tidur menggunakan algoritma Decision Tree. Dataset yang digunakan adalah Sleep Health Dataset yang terdiri dari 1.969 data dengan 29 atribut yang mencakup aspek demografi, kesehatan, dan gaya hidup. Tahap penelitian meliputi preprocessing data, clustering menggunakan K-Means, klasifikasi menggunakan Decision Tree, serta evaluasi model menggunakan Confusion Matrix. Hasil clustering menunjukkan bahwa jumlah cluster optimal adalah tiga kelompok yang merepresentasikan kualitas tidur baik, sedang, dan buruk. Hasil klasifikasi menggunakan Decision Tree memperoleh akurasi sebesar 82,23% dengan nilai precision dan recall yang tinggi pada sebagian besar kategori. Analisis pohon keputusan menunjukkan bahwa faktor yang paling berpengaruh terhadap kualitas tidur adalah kerja shift, diikuti oleh risiko gangguan tidur, jenis pekerjaan, dan umur. Penelitian ini menunjukkan bahwa kombinasi algoritma K-Means dan Decision Tree mampu mengidentifikasi pola kualitas tidur sekaligus menghasilkan model klasifikasi yang mudah diinterpretasikan sebagai pendukung pengambilan keputusan dalam bidang kesehatan. Kata kunci : Kualitas tidur; K-Means Clustering; Decision Tree; Machine Learning; Sleep Health Dataset; Abstract - Sleep quality is an important indicator of both physical and mental health. Various factors, including lifestyle, health conditions, and daily activities, influence an individual's sleep quality. This study aims to identify sleep quality patterns using the K-Means clustering algorithm and determine the factors affecting sleep quality using the Decision Tree algorithm. The study utilized the Sleep Health Dataset consisting of 1,969 records and 29 attributes covering demographic, health, and lifestyle characteristics. The research stages included data preprocessing, K-Means clustering, Decision Tree classification, and model evaluation using a Confusion Matrix. The clustering results identified three optimal clusters representing good, moderate, and poor sleep quality. The Decision Tree model achieved an accuracy of 82.23%, with high precision and recall across most classes. The decision tree analysis revealed that shift work is the most influential factor affecting sleep quality, followed by sleep disorder risk, occupation, and age. The findings demonstrate that the combination of K-Means and Decision Tree effectively identifies sleep quality patterns while providing an interpretable classification model to support decision-making in healthcare. Keywords: Sleep Quality; K-Means Clustering; Decision Tree; Machine Learning; Sleep Health Dataset;
Aplikasi Presensi Karyawan Berbasis Web Menggunakan Metode Rapid Application Development Dimas Faturachman; Fadzar Rusghana; Novita Anggraeni
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 4 (2026): Agustus, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/y004tt63

Abstract

Abstrak - PT Fibernetworks Bandung menghadapi kendala efisiensi dalam pengelolaan kehadiran staf akibat penggunaan sistem pencatatan manual yang rentan terhadap risiko kerusakan dokumen dan kecurangan data. Penelitian ini bertujuan untuk merancang serta mengimplementasikan aplikasi presensi karyawan berbasis web guna mempermudah pengolahan data absensi perusahaan secara terstruktur dan aman. Metode pengembangan sistem yang diterapkan adalah Rapid Application Development, yang memungkinkan proses analisis kebutuhan, perancangan antarmuka, hingga tahap konstruksi program berjalan lebih cepat dan adaptif. Sistem ini dibangun menggunakan bahasa pemrograman PHP dan basis data MySQL, serta dilengkapi dua hak akses untuk admin dan karyawan. Pengujian fungsionalitas aplikasi dilakukan melalui metode Black-Box Testing untuk memastikan seluruh modul berjalan dengan valid tanpa kesalahan logika. Hasil implementasi menunjukkan bahwa aplikasi ini mampu memangkas waktu rekapitulasi laporan bulanan oleh divisi HRD secara signifikan menjadi hitungan detik. Selain itu, penyimpanan data terpusat berhasil meminimalisasi potensi manipulasi waktu kehadiran karyawan secara real-time. Dapat disimpulkan bahwa penerapan aplikasi presensi ini memberikan solusi digital yang efektif, akurat, dan berbobot dalam mengoptimalkan manajemen operasional serta meningkatkan integritas data internal pada PT Fibernetworks Bandung Kata kunci : Aplikasi Presensi; Rapid Application Development; Black-Box Testing; PHP; MySQL;   Abstract - PT Fibernetworks Bandung faces efficiency constraints in managing staff attendance due to the use of a manual recording system that is vulnerable to document damage and data fraud. This study aims to design and implement a web-based employee attendance application to facilitate structured and secure company attendance data processing. The system development method applied is Rapid Application Development, enabling the process of requirements analysis, interface design, to the program construction phase to run faster and adaptively. This system is built using the PHP programming language and MySQL database, and features two distinct access levels for both administrators and employees. Application functionality testing was conducted through the Black-Box Testing method to ensure all modules run validly without any logical errors. The implementation results show that this application is able to significantly cut the monthly report recapitulation time by the HRD division to a matter of seconds. In addition, centralized data storage successfully minimizes the potential for real-time manipulation of employee attendance. It can be concluded that the implementation of this web-based attendance application provides an effective, accurate, and valuable digital solution in optimizing operational management and improving internal data integrity at PT Fibernetworks Bandung. Keywords: Attendance Application; Rapid Application Development; Black-Box Testing; PHP; MySQL;

Page 11 of 13 | Total Record : 124

 9   10   11   12   13 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol. 9 No. 4 (2026): Agustus, 2026 Vol. 9 No. 3 (2026): Juni, 2026 Vol. 9 No. 2 (2026): April, 2026