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 161 Documents
 12   13   14   15   16 
Implementasi Sistem Keamanan Laci Pintar: Integrasi Kendali Akses Berbasis Web dan Klasifikasi Anomali Getaran Menggunakan Machine Learning Mhd Ilyasyah Drilanang; Dedy Kiswanto; Sirus Daniel Haholongan Nababan; Fahra Pebiana Putri
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.191

Abstract

Abstrak - Penelitian ini mengimplementasikan sistem keamanan laci pintar berbasis IoT dan Edge Machine Learning untuk mengatasi kelemahan kunci konvensional dan tingginya false alarm pada sensor getar biasa. Tujuan utama penelitian adalah mengembangkan sistem klasifikasi anomali getaran secara real-time menggunakan algoritma Rule-Based Decision Tree pada mikrokontroler ESP32. Sistem mengintegrasikan sensor MPU-6050, sensor LDR, dan solenoid lock yang dikendalikan melalui dashboard web. Metode klasifikasi menerapkan logika multi-threshold dengan parameter empiris Threshold Force 4.5 m/s² dan Counter Persistence 5 siklus. Berdasarkan pengujian terhadap 30 sampel uji data getaran, sistem menghasilkan akurasi sebesar 100% dalam membedakan pola "senggolan" dan "congkelan". Mekanisme counter terbukti menurunkan tingkat false alarm hingga 0% dibandingkan metode threshold tunggal. Selain itu, sistem menunjukkan responsivitas tinggi dengan rata-rata latensi notifikasi ke dashboard sebesar < 2 detik. Penelitian ini berkontribusi pada pengembangan solusi keamanan fisik yang responsif, akurat, dan minim alarm palsu. Kata kunci : Laci Pintar; Pembelajaran Mesin Edge; Deteksi Anomali Getaran; Keamanan IoT; ESP32; Abstract - This research implements a smart drawer security system based on IoT and Edge Machine Learning to overcome the weaknesses of conventional locks and the high rate of false alarms on ordinary vibration sensors. The main objective of the research is to develop a real-time vibration anomaly classification system using the Rule-Based Decision Tree algorithm on an ESP32 microcontroller. The system integrates an MPU-6050 sensor, an LDR sensor, and a solenoid lock controlled through a web dashboard. The classification method applies multi-threshold logic with empirical parameters of Threshold Force 4.5 m/s² and Counter Persistence 5 cycles. Based on testing on 30 vibration data test samples, the system produces 100% accuracy in distinguishing "nudge" and "pry" patterns. The counter mechanism is proven to reduce the false alarm rate to 0% compared to the single threshold method. In addition, the system shows high responsiveness with an average notification latency to the dashboard of <2 seconds. This research contributes to the development of physical security solutions that are responsive, accurate, and have minimal false alarms. Keywords: Smart Drawer;, Edge Machine Learning; Vibration Anomaly Detection; IoT Security; ESP32;
Sistem Smart Water Monitoring Berbasis IoT dan Machine Learning untuk Analisis Ketinggian, Gelombang, dan Suhu Air Fhadillah br Hutagalung; Dedy Kiswanto; Feby Juliana Silalahi; Fatima Asro Harahap
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.193

Abstract

Abstrak - Pemantauan kondisi perairan secara berkelanjutan merupakan aspek penting dalam mendukung pengelolaan sumber daya air dan mitigasi potensi bencana. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan menguji sistem Smart Water Monitoring berbasis Internet of Things (IoT) dan Machine Learning untuk memantau parameter ketinggian air, gelombang, dan suhu air secara real-time. Sistem dikembangkan menggunakan sensor ultrasonik dan sensor suhu yang terintegrasi dengan mikrokontroler serta dikoneksikan ke platform berbasis web untuk visualisasi data. Data hasil pengukuran dikirimkan melalui jaringan internet dan disimpan dalam basis data sebagai bahan analisis lanjutan. Metode Machine Learning diterapkan untuk menganalisis pola data dan mendeteksi kondisi anomali berdasarkan perubahan parameter air yang signifikan. Pengujian sistem menunjukkan bahwa perangkat IoT mampu melakukan akuisisi dan transmisi data secara stabil, sementara model Machine Learning yang digunakan memberikan performa yang baik dalam mengidentifikasi kondisi tidak normal pada data perairan. Hasil penelitian ini menunjukkan bahwa integrasi IoT dan Machine Learning dapat menjadi solusi yang efektif dan efisien untuk sistem pemantauan kondisi air secara cerdas dan berkelanjutan. Kata kunci: Sistem Logging; Otentikasi Dua Faktor; Rate Limiter; Machine Learning; Deteksi Anomali; Abstract - The development of modern cyber threats requires network security systems to have adaptive and integrated detection capabilities. This research aims to develop and test a prototype web-based network logging system equipped with a multi-layered authentication mechanism and anomaly pattern analysis using Machine Learning (ML). The system was developed using the Flask (Python) framework and tested online. The system's security components include Google reCAPTCHA and Two-Factor Authentication (OTP) for access protection, as well as the implementation of a Rate Limiter to mitigate low-rate distributed (multi-IP) attacks. The collected activity log data was then used to train two classification models, namely Decision Tree and Random Forest, with the main feature being the frequency of activity per IP within 60 seconds. Test results show that the Rate Limiter system successfully limits low-volume attacks. Meanwhile, ML performance analysis proves the effectiveness of the proposed method, where Decision Tree achieves perfect accuracy of 100.0% and an F1-Score of 1.0 in classifying anomalous activities in structured log datasets. This implementation demonstrates that the integration of secure logging with Machine Learning provides a strong foundation for the development of intelligent and efficient real-time threat detection systems. Keywords: Logging System; Two-Factor Authentication; Rate Limiter; Machine Learning; Anomaly Detection;
Sistem Keamanan Pintu Berbasis Computer Vision dengan Biometric Face Recognition dan Physical Tampering Detection Felix John Pardamean Hutabarat; Dedy Kiswanto; Paskah Abadi Simanullang; Fadilla Amanah
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.194

Abstract

Abstrak - Keamanan akses pintu pada lingkungan hunian dan kos membutuhkan sistem yang tidak hanya mampu memverifikasi identitas pengguna, tetapi juga responsif terhadap ancaman fisik terhadap perangkat. Penelitian ini mengusulkan dan merealisasikan S.I.G.H.T. (Secure Intelligent Gate & Hardware Tamper-detection), sebuah sistem keamanan pintu berbasis computer vision yang menggabungkan biometric face recognition menggunakan algoritma Local Binary Patterns Histograms (LBPH) dengan physical tampering detection berbasis sensor getaran. Arsitektur sistem terdiri atas backend FastAPI, dashboard web berbasis React sebagai pusat pemantauan dan kontrol, agen kamera untuk pemrosesan citra pada perangkat edge, serta modul IoT gerbang yang mengendalikan kunci dan alarm secara real-time melalui antrian perintah terpusat. Metode pengembangan yang digunakan adalah pendekatan Research and Development (R&D) dengan model Waterfall yang mencakup analisis kebutuhan, perancangan, implementasi, dan pengujian terstruktur. Validasi fungsional dilakukan menggunakan black box testing pada skenario utama, seperti otentikasi wajah, pengelolaan data penghuni, respons sensor getaran, dan kontrol aktuator pintu serta alarm. Hasil pengujian menunjukkan seluruh skenario berjalan sesuai harapan dengan status “Lulus”, sehingga S.I.G.H.T. dinilai layak sebagai prototipe solusi keamanan pintu berlapis yang adaptif dan berpotensi dikembangkan lebih lanjut pada skala implementasi yang lebih luas. Kata kunci : Computer vision; Deteksi tampering fisik; Internet of Things; LBPH; Sistem keamanan pintu; Abstract - Door access security in residential and boarding environments requires a system that not only verifies user identity, but also responds to physical threats directed at the device. This study proposes and implements S.I.G.H.T. (Secure Intelligent Gate & Hardware Tamper-detection), a computer-vision-based door security system that combines biometric face recognition using the Local Binary Patterns Histograms (LBPH) algorithm with physical tampering detection using a vibration sensor. The system architecture consists of a FastAPI backend, a React-based web dashboard as the central monitoring and control interface, a camera agent for image processing on edge devices, and an IoT gate module that controls the lock and alarm in real time through a centralized command queue. The development process follows a Research and Development (R&D) approach with the Waterfall model, covering requirements analysis, system design, implementation, and structured testing stages. Functional validation is carried out using black box testing on key scenarios such as face authentication, resident data management, vibration sensor response, and actuator control for the door and alarm. The results show that all scenarios meet the expected outcomes with a “Pass” status, indicating that S.I.G.H.T. is feasible as a layered and adaptive door security prototype that can be further extended to broader deployment contexts. Keywords: Computer vision; Door security system; Internet of Things; LBPH; Physical tampering detection;
Sistem Keamanan Pintu Otomatis Berbasis Face Recognition dan Machine Learning Menggunakan ESP32-CAM dengan Web Dashboard Nazwar Farezi; Dedy Kiswanto; Muhammad Alby Savana Hasibuan; Ega Pratama
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.195

Abstract

Abstrak - Penelitian ini membahas pembuatan dan penerapan sistem keamanan pintu otomatis yang menggunakan teknologi pengenalan wajah. Sistem ini memanfaatkan modul ESP32-CAM sebagai alat utama untuk mengambil gambar dan melakukan pemrosesan awal. Selain itu, sistem juga menggabungkan machine learning untuk proses mengenali wajah dan menggunakan dashboard web sebagai alat untuk pemantauan serta pengelolaan pengguna secara langsung. Data wajah dikumpulkan melalui proses registrasi langsung dengan kamera, kemudian diolah melalui beberapa tahap pra-pemrosesan dan ekstraksi ciri sebelum digunakan untuk membandingkan dan mengenali identitas pengguna. Hasil pengujian menunjukkan bahwa sistem bisa melakukan autentikasi secara otomatis, membuka pintu saat wajah pengguna terdeteksi, serta mencatat seluruh aktivitas akses ke dalam dashboard. Uji coba dilakukan dalam berbagai kondisi cahaya dan jarak, dan sistem menunjukkan kinerja yang stabil pada situasi normal. Dashboard yang dibuat juga mampu menampilkan kondisi perangkat, riwayat akses, serta informasi pengguna secara akurat. Dari hasil tersebut, sistem ini dianggap bisa memberikan solusi keamanan rumah yang lebih praktis, efisien, dan mudah dikelola dibandingkan metode tradisional. Kata kunci: Face Recognition; ESP32-CAM; Sistem Keamanan Pintu Otomatis; Machine Learning; Internet of Things (IoT); Abstract - This research discusses the development and implementation of an automatic door security system using facial recognition technology. This system utilizes an ESP32-CAM module as the primary tool for image capture and initial transmission. Furthermore, the system incorporates machine learning for facial recognition and utilizes a web dashboard for real-time user monitoring and management. Facial data is collected through a direct registration process with a camera, then processed through several stages of pre-processing and feature extraction before being used to recognize and identify users. Test results show that the system can perform automatic authentication, open the door upon face detection, and record all access activity in the dashboard. Tests were conducted under various lighting conditions and distances, and the system demonstrated stable performance under normal conditions. The dashboard is also capable of accurately displaying device status, access history, and user information. These results suggest that this system can provide a more practical, efficient, and easier-to-manage home security solution than traditional methods. Keywords: Facial Recognition; ESP32-CAM; Automatic Door Security System; Machine Learning; Internet of Things (IoT); Web Dashboard;
Analisis Potensi Roblox Sebagai Platform Pengembangan Game Edukasi Berbasis Cloud Computing Harry Pribadi Fitrian; Sabili Putra Kirana; Muhamad Daffa Satria; Muthya Chotibah; Ailum Mukhlish Lahuddien
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.197

Abstract

Abstrak - Dalam jurnal ini, para penulis akan mengkaji bagaimana Roblox, sebuah platform pengembangan permainan edukatif berbasis cloud computing, dapat diterapkan dalam praktik. Pengembangan permainan edukatif secara tradisional biasanya dibatasi oleh biaya infrastruktur server dan kompleksitas teknis. Roblox menyediakan model Platform as a Service (PaaS) sebagai salah satu solusi untuk memisahkan distribusi konten dan lingkungan pengembangan (Roblox Studio). Jurnal ini akan menganalisis arsitektur, kemampuan, dan dampak integrasi Roblox dalam pembelajaran menggunakan pendekatan studi literatur dengan pendekatan deskriptif terhadap berbagai artikel relevan. Temuan analisis menunjukkan bahwa arsitektur cloud di Roblox memungkinkan instruktur untuk mengembangkan kelas interaktif 3D tanpa perlu memelihara server hardware. Platform ini telah terbukti efektif dalam meningkatkan motivasi intrinsik siswa, serta hasil belajar mereka di berbagai disiplin ilmu, termasuk teknik otomotif dan literasi. Namun, penggunaannya terkait dengan masalah besar terkait keamanan siber, seperti ancaman perundungan siber, grooming, dan aspek moral komodifikasi pengguna (playbour). Disimpulkan bahwa meskipun Roblox memiliki potensi besar untuk mendemokratisasi pengembangan media pembelajaran modern, penggunaannya mutlak memerlukan pengawasan ketat dan strategi mitigasi risiko yang komprehensif. Kata kunci : Roblox; Game Edukasi; Cloud Computing; Game-Based Learning; Platform as a Service; Abstract - In this journal, the authors will examine how Roblox, a cloud computing-based educational game development platform, can be applied in practice. Diagnosis Educational game development traditionally has been constrained by the costs of server infrastructure and the complexity of the game.. Roblox provides a Platform as a Service (PaaS) model as a solution to separate content distribution and the development environment (Roblox Studio). This journal will analyze the architecture, capabilities, and impact of Roblox integration in learning using a literature study approach with a descriptive approach to various relevant articles. The findings of the analysis show that the cloud architecture in Roblox allows instructors to develop interactive 3D classes without the need to maintain hardware servers. This platform has been tested to be useful in enhancing the intrinsic motivation of students and their learning outcomes in other subjects, such as automotive engineering and literacy. However, its use is associated with major cybersecurity issues, such as cyberbullying, grooming, and the moral aspects of user commodification (playbour). It is concluded that despite having enormous potential of democratizing the development of modern learning media, the usage of Roblox must be strictly supervised and the process of implementing its usage should be accompanied by the extensive risk mitigation strategies. Keywords: Roblox; Educational Games; Cloud Computing; Game-Based Learning; Platform as a Service;
Sistem Monitoring Kualitas Udara dan Peringatan Dini Berbasis IoT dengan Prediksi Polusi Menggunakan Random Forest Regression Ananda Irya Shakila Syukron; Dedy Kiswanto; Alvin Hafiz; Salsa Nabila Harahap
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.198

Abstract

Abstrak - Pencemaran udara merupakan ancaman serius terhadap kesehatan masyarakat dan kualitas lingkungan, sehingga diperlukan sistem pemantauan yang responsif, andal, dan proaktif. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem monitoring kualitas udara dan peringatan dini berbasis Internet of Things (IoT) dengan integrasi machine learning untuk prediksi tingkat polusi secara real-time. Metode penelitian mencakup pengembangan perangkat keras berbasis ESP32 yang terhubung dengan sensor DHT11 (suhu dan kelembaban) serta MQ-135 (konsentrasi gas), pengiriman data ke server VPS melalui protokol HTTP, pembuatan dashboard web untuk visualisasi dan notifikasi, serta pembangunan model prediksi menggunakan Random Forest Regression. Dataset dikumpulkan secara real-time dengan total 38.733 entri, kemudian diproses melalui preprocessing (pembersihan, imputasi missing value, normalisasi Min-Max) dan dibagi dengan rasio 80:20 untuk pelatihan dan pengujian. Hasil evaluasi menunjukkan bahwa model memiliki performa sangat baik dengan R² Score 0,8829 (latih) dan 0,8852 (uji), MAE 2,98, serta RMSE 5,13 pada data uji mengonfirmasi akurasi tinggi dan minimnya risiko overfitting. Analisis feature importance mengungkapkan bahwa konsentrasi gas (PPM) merupakan variabel paling dominan dalam prediksi AQI (skor 0,8497). Sistem peringatan dini juga terbukti efektif saat AQI melebihi ambang batas (misalnya ≥151), indikator LED berubah merah, alarm suara aktif berulang, dan insiden secara otomatis tercatat dalam log digital untuk manajemen respons yang terukur. Secara keseluruhan, integrasi IoT dan Random Forest Regression menghasilkan sistem monitoring yang tidak hanya informatif dan andal, tetapi juga proaktif dalam mitigasi risiko kesehatan akibat polusi udara. Kata kunci : IoT; Random Forest Regression; Kualitas Udara; Sistem Peringatan Dini; Abstract - Air pollution poses a serious threat to public health and environmental quality, requiring a responsive, reliable, and proactive monitoring system. This study aims to design and implement an Internet of Things (IoT)-based air quality monitoring and early warning system with machine learning integration for real-time pollution level prediction. The research methods included developing ESP32-based hardware connected to DHT11 (temperature and humidity) and MQ-135 (gas concentration) sensors, sending data to a VPS server via the HTTP protocol, creating a web dashboard for visualization and notification, and building a prediction model using Random Forest Regression. The dataset was collected in real-time with a total of 38,733 entries, then processed through preprocessing (cleaning, missing value imputation, Min-Max normalization) and divided with a ratio of 80:20 for training and testing. The evaluation results show that the model performs very well with an R² Score of 0.8829 (training) and 0.8852 (testing), MAE of 2.98, and RMSE of 5.13 on the test data, confirming high accuracy and minimal risk of overfitting. Feature importance analysis revealed that gas concentration (PPM) was the most dominant variable in AQI prediction (score 0.8497). The early warning system also proved effective when the AQI exceeded the threshold (e.g., ≥151), with the LED indicator turning red, the audible alarm sounding repeatedly, and the incident being automatically recorded in a digital log for measurable response management. Overall, the integration of IoT and Random Forest Regression resulted in a monitoring system that is not only informative and reliable but also proactive in mitigating health risks due to air pollution. Keywords: IoT; Random Forest Regression; Air Quality Monitoring; Early Warning System;
Penerapan Metaheuristik Genetic Algorithm pada Optimasi Hyperparameter Decision Tree untuk Klasifikasi Penyakit Jantung Muhammad Hidayatul Arifin; Salsa Nabila Harahap; Sirus Daniel H Nababan; Adidtya Perdana
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.199

Abstract

Abstrak - Penyakit jantung merupakan salah satu penyebab kematian utama secara global, sehingga deteksi dini yang akurat menjadi krusial dalam upaya penyelamatan pasien. Algoritma Decision Tree sering digunakan sebagai alat bantu diagnosis karena kemampuannya menghasilkan aturan keputusan yang transparan. Namun, algoritma ini memiliki kelemahan mendasar berupa kecenderungan overfitting dan ketidakstabilan akurasi saat menangani data medis yang kompleks. Penelitian ini mengusulkan integrasi Genetic Algorithm (GA) sebagai metode metaheuristik untuk mengoptimalkan konfigurasi hyperparameter pada Decision Tree guna meningkatkan performa klasifikasi. Eksperimen dilakukan menggunakan dataset Heart Disease yang telah melalui tahap pra-pemrosesan ketat, termasuk eliminasi data duplikat dan transformasi fitur kategorikal. Proses optimasi dirancang dengan fungsi evaluasi khusus yang memprioritaskan sensitivitas (Recall) untuk meminimalisir risiko kesalahan deteksi pasien sakit (False Negative). Hasil pengujian menunjukkan bahwa model hasil optimasi GA berhasil meningkatkan Recall secara signifikan sebesar 12,12% (dari 75,76% menjadi 87,88%) dan Akurasi sebesar 4,92% dibandingkan model baseline. Selain itu, struktur model menjadi jauh lebih efisien dengan reduksi kedalaman pohon dari 10 tingkat menjadi 3 tingkat. Temuan ini membuktikan bahwa metode yang diusulkan mampu menghasilkan sistem diagnosis yang tidak hanya lebih akurat dan sensitif, tetapi juga lebih sederhana dan mudah diinterpretasikan oleh tenaga medis. Kata kunci : Decision Tree; Genetic Algorithm; Optimasi Hyperparameter; Prediksi Penyakit Jantung; Abstract - Heart disease is one of the leading causes of death globally, making accurate early detection crucial for patient survival. The Decision Tree algorithm is often used as a diagnostic tool due to its ability to generate transparent decision rules. However, this algorithm has fundamental weaknesses such as overfitting tendencies and accuracy instability when handling complex medical data. This study proposes the integration of Genetic Algorithm (GA) as a metaheuristic method to optimize hyperparameter configurations in Decision Trees to improve classification performance. Experiments were conducted using the Heart Disease dataset that had undergone rigorous pre-processing stages, including duplicate data elimination and categorical feature transformation. The optimization process was designed with a special evaluation function that prioritizes sensitivity (Recall) to minimize the risk of false patient detection (False Negative). The test results showed that the GA-optimized model significantly increased Recall by 12.12% (from 75.76% to 87.88%) and Accuracy by 4.92% compared to the baseline model. In addition, the model structure became significantly more efficient with a reduction in tree depth from 10 levels to 3 levels. These findings prove that the proposed method is capable of producing a diagnostic system that is not only more accurate and sensitive, but also simpler and easier to interpret by medical personnel. Keywords: Decision Tree; Genetic Algorithm; Hyperparameter Optimization; Heart Disease Prediction;
Rancang Bangun Smart Parking System Berbasis AI untuk Deteksi Slot Parkir Otomatis dan Streaming Kamera Web Sebagai Monitoring Real-Time Najwatul Khoiriah; Dedy Kiswanto; Raihan Insan Pratama Siagian; Muhammad Zidane Al-Kautsar
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.201

Abstract

Abstrak - Pertumbuhan jumlah kendaraan dan terbatasnya kapasitas area parkir menuntut adanya sistem monitoring yang lebih efisien dan mampu memberikan informasi ketersediaan slot secara real-time. Penelitian ini merancang dan membangun Smart Parking System berbasis Internet of Things (IoT) dan kecerdasan buatan (AI) dengan memanfaatkan modul ESP32-CAM sebagai sensor visual dan model YOLOv8 untuk mendeteksi kendaraan secara otomatis. Sistem diimplementasikan menggunakan arsitektur client–server, di mana ESP32-CAM mengirimkan citra area parkir ke backend Python melalui protokol HTTP POST untuk diproses menggunakan model AI. Hasil deteksi kemudian disimpan pada database MySQL dan ditampilkan melalui dashboard web sebagai monitoring real-time, lengkap dengan indikator status slot parkir serta live streaming kamera. Pengujian dilakukan melalui 50 skenario berbeda, mencakup single-object, multi-object, variasi pencahayaan, dan edge-case. Sistem mencapai akurasi deteksi kendaraan sebesar 90% dan akurasi penentuan status slot sebesar 100%, dengan latensi pemrosesan 0,8–1,2 detik. Hasil tersebut menunjukkan bahwa integrasi IoT dan AI mampu menghasilkan solusi parkir cerdas yang efektif, responsif, serta potensial untuk dikembangkan pada skala implementasi yang lebih luas. Kata kunci : Parkir Cerdas; Internet of Things; ESP32-CAM; YOLOv8; Deteksi Slot Parkir; Pemantauan Real-Time; Penglihatan Komputer; Abstract - The growth in the number of vehicles and limited parking space capacity requires a more efficient monitoring system that can provide real-time information on slot availability. This research designs and builds a Smart Parking System based on the Internet of Things (IoT) and artificial intelligence (AI) by utilizing the ESP32-CAM module as a visual sensor and the YOLOv8 model to automatically detect vehicles. The system is implemented using a client–server architecture, where ESP32-CAM sends images of the parking area to the Python backend via the HTTP POST protocol to be processed using the AI model. The detection results are then stored in a MySQL database and displayed via a web dashboard as real-time monitoring, complete with parking slot status indicators and live camera streaming. Testing was conducted through 50 different scenarios, including single-object, multi-object, lighting variations, and edge cases. The system achieved 90% vehicle detection accuracy and 100% parking slot status determination accuracy, with a processing latency of 0.8–1.2 seconds. These results demonstrate that the integration of IoT and AI can produce an effective, responsive smart parking solution with the potential for development on a wider implementation scale. Keywords: Smart Parking; Internet of Things; ESP32-CAM; YOLOv8; Deteksi Slot Parkir; Monitoring Real-Time; Computer Vision;
Rancang Bangun Sistem Penyortiran Kualitas Buah Tomat Berbasis IoT dan Computer Vision (YOLOv8) Menggunakan Modul ESP32-CAM Alfin Syahri; Dedy Kiswanto; Albert Ramadhan Manik; Yuda Advis Ambrosius Sitohang
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.202

Abstract

Abstrak - Penyortiran kualitas tomat masih banyak dilakukan secara manual sehingga prosesnya lambat, membutuhkan tenaga kerja besar, dan sering menghasilkan penilaian yang tidak konsisten. Penelitian ini bertujuan merancang sistem penyortiran tomat otomatis berbasis Internet of Things (IoT) dan Computer Vision menggunakan ESP32-CAM dan model YOLOv8. Sistem terdiri dari ESP32 DevKit untuk membaca sensor ultrasonik dan mengendalikan servo, ESP32-CAM untuk mengambil citra, serta server Flask yang memproses gambar menggunakan YOLOv8. Dataset diperoleh dari Roboflow dan dilatih melalui proses augmentasi dan preprocessing sehingga model dapat mengklasifikasikan tomat menjadi tiga kategori, yaitu matang, mentah, dan busuk. Hasil pengujian menunjukkan bahwa sensor ultrasonik mampu mendeteksi tomat secara stabil pada jarak 10 cm, ESP32-CAM berhasil mengirim gambar ke server, dan servo dapat menyortir tomat sesuai hasil prediksi. Sistem web monitoring yang dibangun mampu menampilkan prediksi terbaru, grafik statistik, serta riwayat prediksi harian secara real-time. Beberapa kendala ditemukan, seperti kesulitan model membedakan tomat merah busuk dan tomat matang yang memiliki kemiripan visual, serta motor conveyor yang kurang kuat pada kecepatan rendah. Secara keseluruhan, sistem berhasil berfungsi sebagai prototipe penyortiran tomat otomatis yang terintegrasi dan dapat dikembangkan lebih lanjut untuk penggunaan skala industri. Kata kunci : IoT; ESP32-CAM; YOLOv8; Penyortiran Tomat; Computer Vision; Abstract - Manual tomato quality sorting is still widely practiced, resulting in slow processing, high labor requirements, and inconsistent assessment outcomes. This study aims to design an automatic tomato sorting system based on the Internet of Things (IoT) and Computer Vision using ESP32-CAM and the YOLOv8 model. The system consists of an ESP32 DevKit to read ultrasonic sensor data and control servo motors, an ESP32-CAM to capture tomato images, and a Flask server to process images using the YOLOv8 model. The dataset was obtained from Roboflow and trained through augmentation and preprocessing processes to enable the model to classify tomatoes into three categories: ripe, unripe, and rotten. Experimental results show that the ultrasonic sensor can stably detect tomatoes at a distance of 10 cm, the ESP32-CAM successfully transmits images to the server, and the servo motor can sort tomatoes according to the prediction results. The developed web-based monitoring system is capable of displaying real-time predictions, statistical graphs, and daily prediction history. Several limitations were identified, including the model’s difficulty in distinguishing between rotten red tomatoes and ripe tomatoes due to visual similarity, as well as insufficient conveyor motor strength at low speeds. Overall, the proposed system functions effectively as an integrated automatic tomato sorting prototype and can be further developed for industrial-scale applications. Keywords: IoT; ESP32-CAM; YOLOv8; Tomato Sorting; Computer Vision;
Evaluasi Kinerja Algoritma Machine Learning pada Data Administratif Warga Binaan Tetti Aminah Hasibuan; Khairun Nisa Simatupang; Zannatun Arbiah; M. Khalil Gibran
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 1 (2026): Februari, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v9i1.206

Abstract

Abstrak - Penerapan machine learning pada data administratif memiliki potensi besar dalam mendukung analisis berbasis data, namun performa model sangat dipengaruhi oleh karakteristik dataset yang digunakan. Penelitian ini bertujuan untuk menganalisis kinerja algoritma Support Vector Machine (SVM), Random Forest, dan XGBoost dalam melakukan klasifikasi tingkat pendidikan warga binaan berdasarkan data administratif non-identitas. Dataset diperoleh dari arsip administrasi internal lembaga pemasyarakatan dan melalui tahapan pra-pemrosesan, pengubahan fitur kategorikal menggunakan metode one-hot encoding, serta pemisahan data latih dan data uji dengan rasio 80:20. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa akurasi berada pada kisaran 0,15–0,28, presisi 0,04–0,09, recall 0,07–0,10, serta F1-score 0,06–0,10. Model SVM dengan kernel Radial Basis Function (RBF) memperoleh nilai akurasi tertinggi, sementara XGBoost menunjukkan kinerja yang relatif lebih stabil pada metrik presisi, recall, dan F1-score. Namun demikian, capaian performa tersebut hanya sedikit lebih baik dibandingkan baseline klasifikasi acak, sehingga secara keseluruhan kinerja model masih tergolong rendah. Temuan ini menunjukkan bahwa dominasi atribut kategorikal, keterbatasan informasi fitur, serta ketidakseimbangan distribusi kelas memberikan pengaruh signifikan terhadap kemampuan model dalam mempelajari pola secara optimal. Kata kunci: machine learning; evaluasi kinerj;, data administratif; klasifikasi; warga binaan; Abstract - The application of machine learning to administrative data has great potential in supporting data-driven analysis, but model performance is greatly influenced by the characteristics of the dataset used. This study aims to analyze the performance of Support Vector Machine (SVM), Random Forest, and XGBoost algorithms in classifying the educational level of inmates based on non-identifying administrative data. The dataset was obtained from the internal administrative archives of correctional institutions and underwent pre-processing, categorical feature conversion using the one-hot encoding method, and separation of training and test data with a ratio of 80:20. Model performance was evaluated using accuracy, precision, recall, and F1-score metrics. The test results showed that the accuracy ranged from 0.15 to 0.28, precision from 0.04 to 0.09, recall from 0.07 to 0.10, and F1-score from 0.06 to 0.10. The SVM model with Radial Basis Function (RBF) kernel obtained the highest accuracy value, while XGBoost showed relatively more stable performance in terms of precision, recall, and F1-score metrics. However, these performance achievements were only slightly better than the random classification baseline, so overall model performance was still relatively low. These findings indicate that the dominance of categorical attributes, limited feature information, and class distribution imbalance have a significant impact on the model's ability to learn patterns optimally. Keywords: machine learning; performance evaluation; administrative data; classification; inmates;

Page 14 of 17 | Total Record : 161

 12   13   14   15   16 

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 Vol. 9 No. 1 (2026): Februari, 2026