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 72 Documents
 4   5   6   7   8 
Pengembangan Sistem  Informasi Aplikasi Pemesanan Refleksi Terapis Pijat Berbasis Android di Blora Suminten; Saridawati; Nur Aini Setyawati; Wahyu Indrarti; Eva Zuraidah
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 3 (2026): Juni, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/kw7crf61

Abstract

Abstrak - Kemajuan teknologi informasi memberikan pengaruh besar terhadap berbagai bidang usaha, termasuk layanan kesehatan dan relaksasi seperti pijat refleksi. Proses pemesanan layanan pijat refleksi yang masih dilakukan secara manual sering menimbulkan kendala, seperti kesalahan pencatatan, keterlambatan pelayanan, serta kesulitan pelanggan dalam melakukan pemesanan. Penelitian ini bertujuan untuk merancang dan membangun Sistem Informasi Pemesanan Layanan Pijat Refleksi berbasis Android dengan nama aplikasi “Refleksi Terapis”. Metode pengembangan sistem yang digunakan adalah metode Waterfall yang terdiri dari tahap analisis kebutuhan, desain sistem, implementasi, pengujian, dan pemeliharaan. Aplikasi ini menyediakan fitur registrasi pengguna, pemesanan layanan, pemilihan terapis, pembayaran, serta notifikasi jadwal layanan. Hasil penelitian menunjukkan bahwa aplikasi “Refleksi Terapis” mampu mempermudah pelanggan dalam melakukan pemesanan layanan pijat refleksi secara cepat, efektif, dan efisien. Selain itu, aplikasi ini membantu pengelola usaha dalam mengatur data pelanggan dan jadwal layanan secara lebih terstruktur. Kata Kunci: Sistem Informasi; Android; Pemesanan Online; Pijat Refleksi; Aplikasi; Abstract - Advances in information technology have a significant impact on various business sectors, including healthcare services and relaxation such as reflexology massage. The process of ordering reflexology massage services, which is still carried out manually, often causes obstacles, such as recording errors, service delays, and difficulties for customers in placing orders. This study aims to design and build an Android-based Reflexology Massage Service Ordering Information System with the application name "Refleksi Terapis". The system development method used is the Waterfall method, which consists of the stages of requirement analysis, system design, implementation, testing, and maintenance. This application provides features such as user registration, service ordering, therapist selection, payment, and service schedule notifications. The research results show that the "Refleksi Terapis" application is able to facilitate customers in placing reflexology massage service orders quickly and effectively. Keywords: Information Systems; Android; Online Ordering; Reflexology Massage; Application;
Implementasi Lexical Analyzer Berbasis Deterministic Finite Automata dan Algoritma C4.5 untuk Evaluasi Kelayakan Proposal Akademik Nazwa Aidilia Octa Mevia; Zulfahmi Indra; Yohana Kartika Marbun; Yunanda Rizki Sitompul
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 3 (2026): Juni, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/gtcxm934

Abstract

Abstrak - Proposal akademik merupakan dokumen penting yang menjadi dasar penilaian kelayakan penelitian mahasiswa sebelum memasuki tahap tugas akhir. Proses evaluasi proposal yang masih dilakukan secara manual sering menghadapi kendala berupa subjektivitas penilaian, waktu pemeriksaan yang lama, serta meningkatnya beban kerja akademik. Penelitian ini bertujuan mengembangkan ScanPro, sebuah sistem pendukung keputusan berbasis web yang mengintegrasikan Lexical Analyzer berbasis Deterministic Finite Automata (DFA) dan algoritma Decision Tree C4.5 untuk mengevaluasi kelayakan proposal akademik secara otomatis. Sistem melakukan ekstraksi teks dari berbagai format dokumen menggunakan PDF.js, Mammoth.js, dan Tesseract.js OCR, kemudian menganalisis karakter secara leksikal untuk menghasilkan tujuh fitur kuantitatif akademik yang digunakan sebagai atribut klasifikasi. Dataset penelitian terdiri dari 150 dokumen proposal yang dikategorikan ke dalam kelas Layak, Layak dengan Revisi, dan Tidak Layak. Model dievaluasi menggunakan 30 data uji independen dengan metrik Accuracy, Precision, dan Recall. Hasil pengujian menunjukkan bahwa sistem mampu mencapai akurasi sebesar 86,67%, macro precision sebesar 86,40%, dan macro recall sebesar 86,40%. Selain menghasilkan klasifikasi kelayakan, sistem juga mampu memberikan rekomendasi perbaikan secara otomatis berdasarkan aturan pohon keputusan yang tidak terpenuhi. Kebaruan penelitian ini terletak pada integrasi DFA sebagai mekanisme ekstraksi fitur leksikal berbasis automata dengan algoritma C4.5 dalam arsitektur client-side yang menjaga privasi dokumen, mengurangi latensi pemrosesan, dan mendukung evaluasi proposal akademik secara objektif, transparan, serta efisien. Kata kunci : Deterministic Finite Automata; C4.5; Klasifikasi Proposal; Lexical Analyzer; Sistem Pendukung Keputusan; Abstract - Academic proposals are fundamental documents that serve as a prerequisite for students before conducting their final research projects or theses. Conventional proposal evaluation processes often face challenges such as lengthy review times, subjective assessments, and increasing workloads for academic reviewers. This study proposes ScanPro, a web-based intelligent decision support system that integrates a Deterministic Finite Automata (DFA)-based Lexical Analyzer with the C4.5 Decision Tree algorithm to automate the feasibility assessment of academic proposals. The system performs cross-format text extraction using PDF.js, Mammoth.js, and Tesseract.js OCR, followed by lexical analysis to generate seven quantitative academic features, including keyword density, academic term ratio, structural completeness, numerical consistency, lexical error rate, lexical diversity, and text length validation. These features are subsequently utilized as classification attributes for the C4.5 model. The experimental dataset consisted of 150 academic proposal documents categorized into three classes: Eligible, Eligible with Revision, and Not Eligible. The model was evaluated using 30 independent testing documents and assessed through Accuracy, Precision, and Recall metrics. Experimental results demonstrated that the proposed system achieved an accuracy of 86.67%, macro precision of 86.40%, and macro recall of 86.40%. Furthermore, the system is capable of generating automated revision recommendations based on unmet decision tree rules, thereby providing actionable feedback to users. The novelty of this research lies in the integration of DFA-based lexical feature extraction and the C4.5 classification algorithm within a fully client-side architecture that preserves document privacy, minimizes processing latency, and supports objective, transparent, and efficient academic proposal evaluation. Keywords: Deterministic Finite Automata; C4.5; Academic Proposal Evaluation; Lexical Analyzer; Decision Support System;
Analisis Kinerja Algoritma Random Forest dengan Penerapan SMOTE pada Deteksi Penipuan Kartu Kredit Rini Afriani; Wahyu Nugraha; Rabiatus Saadah
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 3 (2026): Juni, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/b5fp3v55

Abstract

Abstrak - Deteksi penipuan transaksi digital menghadapi tantangan besar berupa ketidakseimbangan kelas data (imbalanced data), di mana jumlah transaksi normal jauh melebihi transaksi penipuan. Ketimpangan ini menyebabkan algoritma machine learning cenderung berpihak pada kelas mayoritas. Penelitian ini bertujuan mengevaluasi kinerja algoritma Random Forest sebelum dan sesudah penerapan Synthetic Minority Over-sampling Technique (SMOTE) menggunakan dataset Credit Card Fraud Detection. Untuk mencegah kebocoran data (data leakage) dan memastikan stabilitas model, evaluasi dilakukan menggunakan Stratified 10-Fold Cross-Validation yang diintegrasikan dengan metode Pipeline. Hasil penelitian menunjukkan bahwa SMOTE secara signifikan meningkatkan kepekaan model dalam mengenali transaksi fraud, dibuktikan dengan kenaikan rata-rata Recall dari 0,7886 menjadi 0,8271 dan ROC-AUC dari 0,9497 menjadi 0,9719. Namun, peningkatan ini memicu fenomena trade-off, di mana rata-rata Presisi menurun drastis dari 0,9596 menjadi 0,8916 akibat lonjakan jumlah alarm palsu (False Positives). Dalam konteks industri finansial, trade-off ini dinilai sepadan demi meminimalkan risiko kerugian fatal akibat lolosnya transaksi penipuan (False Negatives). Kata kunci: Deteksi Penipuan; Random Forest; SMOTE; Imbalanced Data; Cross-Validation;   Abstract - Digital transaction fraud detection faces a major challenge in the form of class data imbalance, where normal transactions far outnumber fraudulent ones. This imbalance causes machine learning algorithms to be biased toward the majority class. This study evaluates the performance of the Random Forest algorithm before and after the application of the Synthetic Minority Over-sampling Technique (SMOTE) using the Credit Card Fraud Detection dataset. To prevent data leakage and ensure model stability, the evaluation was conducted using Stratified 10-Fold Cross-Validation integrated with a Pipeline method. The results show that SMOTE significantly increases the model's sensitivity in recognizing fraud, evidenced by an increase in the average Recall from 0.7886 to 0.8271 and ROC-AUC from 0.9497 to 0.9719. However, this improvement triggers a trade-off phenomenon, where the average Precision drops drastically from 0.9596 to 0.8916 due to a surge in false alarms (False Positives). In the financial industry context, this trade-off is considered acceptable to minimize the fatal risk of undetected fraudulent transactions (False Negatives). Keywords: Fraud Detection; Random Forest; SMOTE; Imbalanced Data; Cross-Validation;
Perancangan dan Implementasi Front-End Sistem Informasi Pemancingan Berbasis Design Thinking dengan Evaluasi System Usability Scale Ahmad Dhani Setiawan; Muh. Subhan; Mochammad Arief Hermawan Sutoyo
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 3 (2026): Juni, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/m87z6b59

Abstract

Abstrak - Penelitian ini bertujuan merancang dan mengimplementasikan front-end Sistem Informasi Pemancingan S untuk mendukung digitalisasi proses operasional dan layanan pelanggan. Permasalahan utama pada objek penelitian meliputi pencatatan transaksi yang masih dilakukan secara manual, keterlambatan akses data operasional, verifikasi pelanggan yang bergantung pada ingatan pegawai, serta keterbatasan akses informasi dan layanan mandiri bagi pelanggan. Metode yang digunakan adalah Design Thinking yang terdiri dari tahap empathize, define, ideate, prototype, dan test. Pengumpulan data dilakukan melalui observasi non-partisipatif dan wawancara semi-terstruktur dengan pemilik, pegawai, dan pelanggan. Hasil penelitian menghasilkan rancangan high-fidelity prototype dan implementasi front-end berbasis React dengan pembagian akses untuk pengguna publik, Owner, Employee, dan Member. Fitur yang dihasilkan mencakup pengelolaan data bisnis, registrasi kedatangan, pemesanan, pembayaran, nota transaksi, riwayat transaksi, laporan, serta layanan mandiri pelanggan. Evaluasi usability dilakukan menggunakan System Usability Scale (SUS) terhadap responden yang mewakili peran pengguna sistem. Hasil evaluasi memperoleh skor rata-rata SUS sebesar 88,6, yang menunjukkan bahwa antarmuka sistem berada pada kategori sangat baik. Dengan demikian, sistem yang dirancang dapat mendukung kebutuhan utama Pemancingan S dalam meningkatkan keteraturan pencatatan, akses informasi, dan layanan digital berbasis peran. Kata kunci: sistem informasi; Design Thinking; front-end; System Usability Scale; usability;   Abstract - This study aims to design and implement the front-end of the Pemancingan S Information System to support the digitalization of operational processes and customer services. The main problems identified in the case study include manual transaction recording, delayed access to operational data, customer verification that depends on employee memory, and limited access to self-service information for customers. This study applies the Design Thinking method, consisting of empathize, define, ideate, prototype, and test stages. Data were collected through non-participatory observations and semi-structured interviews with the owner, an operational employee, and customers. The results of this study include a high-fidelity prototype and a React-based front-end implementation with role-based access for public users, Owner, Employee, and Member. The implemented features include business data management, arrival registration, ordering, payment, transaction receipt, transaction history, reporting, and customer self-service. Usability evaluation was conducted using the System Usability Scale (SUS) with respondents representing the system’s user roles. The evaluation results show an average SUS score of 88.6, indicating that the system interface is in a very good usability category. Therefore, the designed system can support the main needs of Pemancingan S in improving transaction recording, information access, and role-based digital services. Keywords: information system; Design Thinking; front-end; System Usability Scale; usability;
Analisis Penerimaan dan Penggunaan Berkelanjutan Aplikasi X Menggunakan Technology Acceptance Model dan Expectation Confirmation Model Widya Theresia Putri; Rizqa Raaiqa Bintana; Zainil Abidin
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 3 (2026): Juni, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/mw6pnz88

Abstract

Abstrak - Perkembangan transformasi digital mendorong perusahaan di sektor makanan dan minuman untuk mengadopsi aplikasi mobile guna meningkatkan kualitas layanan dan loyalitas pelanggan. Perusahaan X menghadirkan aplikasi yang menyediakan fitur pemesanan online, pembayaran digital, dan program loyalitas. Namun, pemanfaatan fitur utama aplikasi belum sepenuhnya optimal sehingga perlu dianalisis unsur-unsur yang menentukan penerimaan serta penggunaan berkelanjutan aplikasi terkait. Investigasi ini berfokus membedah penerimaan serta penggunaan berkelanjutan aplikasi X melalui penggabungan Technology Acceptance Model (TAM) serta Expectation Confirmation Model (ECM). Riset ini memakai metode kuantitatif eksplanatif disertai penjaringan data memanfaatkan angket digital terhadap para pemakai aplikasi X pada wilayah Kota Jambi. Seluruh data diproses mengandalkan Partial Least Squares–Structural Equation Modeling (PLS-SEM) berbantuan SmartPLS 4.0. Temuan ilmiah membuktikan yakni Confirmation berdampak nyata pada Perceived Usefulness serta Satisfaction, sementara Perceived Ease of Use berimbas nyata pada Perceived Usefulness. Di samping itu, Perceived Usefulness memiliki kontribusi nyata pada Satisfaction. Akan tetapi, Perceived Ease of Use serta Perceived Usefulness mempunyai imbas namun kurang berarti pada Continuance Intention. Satisfaction tervalidasi sebagai elemen yang paling kuat dampaknya pada Continuance Intention, sementara Continuance Intention berkontribusi nyata pada Actual System Use. Temuan ini menunjukkan bahwa integrasi TAM dan ECM mampu menjelaskan perilaku penerimaan dan penggunaan berkelanjutan aplikasi X dengan baik. Kata kunci: Technology Acceptance Model (TAM); Expectation Confirmation Model (ECM); Perceived Usefulness; Continuance Intention; Actual System Use;   Abstract - The progression of digital transformation urges enterprises within the culinary industry to implement mobile applications to elevate assistance standards and consumer allegiance. Firm X introduces an application that offers internet-based purchasing, electronic transactions, and client retention features. Nonetheless, the use of the application's primary capabilities remains less than perfect, hence requiring an examination of the elements that impact the acceptance and continued use of the application. This research intends to evaluate the acceptance and continued use of application X by combining the Technology Acceptance Model (TAM) and the Expectation Confirmation Model (ECM). The inquiry employs a quantitative explanatory methodology with information gathering via a web-based survey administered to consumers of application X within Jambi City. Information was processed utilizing Partial Least Squares–Structural Equation Modeling (PLS-SEM) via SmartPLS 4.0. The outcomes demonstrate that Confirmation exerts a meaningful impact on Perceived Usefulness and Satisfaction, whereas Perceived Ease of Use has a substantial influence on Perceived Usefulness. Furthermore, Perceived Usefulness displays a critical bearing on Satisfaction. In contrast, Perceived Ease of Use and Perceived Usefulness possess a negligible repercussion on Continuance Intention. Satisfaction was verified as the most dominant determinant on Continuance Intention, meanwhile Continuance Intention meaningfully guided Actual System Use. These discoveries imply that the fusion of TAM and ECM is capable of clarifying the acceptance behavior and continued use of application X effectively. Keywords: Technology Acceptance Model (TAM); Expectation Confirmation Model (ECM); Perceived Usefulness; Continuance Intention; Actual System Use;
Analisis Sentimen Ulasan Berbasis Lexicon Menggunakan Pembobotan Tf-IDF dan Algoritma Machine Learning Meltiana; Riski Annisa; Muhammad Fahmi Julianto
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 3 (2026): Juni, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/gzkd8504

Abstract

Abstrak - Warung Kopi Asiang merupakan salah satu objek dalam penelitian ini, di mana ulasan pengguna yang terdapat di Google Maps dengan menggunakan kombinasi pendekatan berbasis Lexicon, pembobotan TF-IDF, dan algoritma machine learning. Sebanyak 2.358 ulasan dikumpulkan melalui teknik web scraping menggunakan Instant Data Scraper versi 1.4.1.Proses preprocessing diterapkan pada seluruh data,  mencakup tahapan case folding, cleaning, normalisasi, tokenization, stopword removal, dan stemming.Pelabelan sentimen dilakukan menggunakan metode berbasis lexicon, menghasilkan tiga kategori positif sebanyak 1. 289 ulasan (58,62%), negatif sebanyak 632 ulasan (28,74%), dan netral sebanyak 278 ulasan (12,64%). Data yang telah dilabeli kemudian dikonversi ke dalam bentuk numerik menggunakan TF-IDF dan diklasifikasikan dengan tiga algoritma yakni Support Vector Machine (SVM), Decision Tree, dan Logistic Regression. Optimasi  model dilakukan melalui hyperparameter tuning menggunakan GridSearchCV. Dari hasil evaluasi  Support Vector Machine (SVM) dan Logistic Regression sama-sama mencapai akurasi tertinggi sebesar 80%, di mana pada SVM akurasi optimal tersebut sudah tercapai sejak model dasar (default).Decision Tree menghasilkan akurasi sebesar 71%. Temuan ini membuktikan bahwa integrasi metode Lexicon, TF-IDF, dan machine learning bekerja secara efektif dalam menganalisis sentimen ulasan di Google Maps. Kata kunci : Analisis sentimen; Google Maps; Lexicon; Machine Learning;   Abstract - Warung Kopi Asiang is one of the subjects of this study, in which user reviews found on Google Maps were analysed using a combination of a lexicon-based approach, TF-IDF weighting, and machine learning algorithms. A total of 2,358 reviews were collected via web scraping using Instant Data Scraper version 1.4.1. Preprocessing was applied to all data, covering the stages of case folding, cleaning, normalisation, tokenisation, stopword removal, and stemming; sentiment labelling was performed using a lexicon-based method, resulting in three categories: 1, 289 reviews (58.62%), 632 negative reviews (28.74%), and 278 neutral reviews (12.64%). The labelled data was then converted into numerical form using TF-IDF and classified using three algorithms: Support Vector Machine (SVM), Decision Tree, and Logistic Regression. Model optimisation was carried out via hyperparameter tuning using GridSearchCV. The evaluation results showed that both Support Vector Machine (SVM) and Logistic Regression achieved the highest accuracy of 80%, with SVM having reached this optimal accuracy from the base (default) model. Decision Tree achieved an accuracy of 71%. These findings demonstrate that the integration of the Lexicon method, TF-IDF, and machine learning works effectively in analysing sentiment in Google Maps reviews Keywords: Sentiment analysis; Google Maps; Lexicon; Machine Learning;
Analisis Penggunaan Large Language Model (LLM) dalam Proses Belajar Mahasiswa Miranda A. Hasan; Alter Lasarudin; Frangky Tupamahu
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 3 (2026): Juni, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/bcmrjx78

Abstract

Abstrak - Penelitian ini bertujuan untuk memetakan pola penggunaan LLM, mengevaluasi tingkat efisiensi proses belajar, serta mengukur dampak kompetensi teknis prompt engineering mahasiswa terhadap validitas informasi di Universitas Muhammadiyah Gorontalo. Jenis penelitian adalah kuantitatif dengan pendekatan deskriptif. Jumlah sampel sebanyak 96 mahasiswa aktif dari berbagai tahun angkatan yang dipilih menggunakan teknik Proportionate Stratified Random Sampling. Analisis data dilakukan secara deskriptif dan perhitungan Tingkat Capaian Responden (TCR) menggunakan bantuan software SPSS. Hasil penelitian menunjukkan bahwa LLM telah menjadi bagian dari aktivitas akademik rutin mahasiswa, di mana platform yang paling dominan digunakan adalah ChatGPT (38,5%) dengan jenis tugas terbanyak adalah mencari referensi (34,5%). Dari aspek efisiensi belajar, indikator efisiensi waktu memperoleh TCR tertinggi sebesar 88% (Kategori Baik/Efisien), sementara indikator beban verifikasi memperoleh skor terendah sebesar 74% (Kategori Cukup). Pada variabel prompt engineering dan risiko halusinasi, aspek validasi output meraih TCR tertinggi sebesar 78,48%, sedangkan kesadaran risiko halusinasi berada pada angka 73,89%. Dapat disimpulkan bahwa penggunaan LLM dinilai efektif dalam mengakselerasi produktivitas belajar mahasiswa, namun penerapannya tetap membutuhkan sikap kritis dan verifikasi mandiri yang ketat agar hasil belajar yang diperoleh tetap valid dan akurat Kata kunci : Large Language Model; Efisiensi Belajar; UTAUT; Prompt Engineering; Hallucination Trap; Abstract – This study aims to map the patterns of LLM usage, evaluate the efficiency level of the learning process, and measure the impact of students' technical competence in prompt engineering on information validity at Universitas Muhammadiyah Gorontalo. This type of research is quantitative with a descriptive approach. The sample consisted of 96 active students from various class years selected using the Proportionate Stratified Random Sampling technique. Data analysis was conducted descriptively along with the calculation of the Respondent Achievement Level (TCR) using SPSS software. The results showed that LLMs have become a part of students' routine academic activities, where the most dominant platform used is ChatGPT (38.5%) and the most frequent type of academic task assisted is searching for references (34.5%). From the aspect of learning efficiency, the time efficiency indicator obtained the highest TCR of 88% (Good/Efficient Category), while the verification burden indicator obtained the lowest score of 74% (Sufficient Category). In the prompt engineering and hallucination risk variables, the output validation aspect achieved the highest TCR of 78.48%, while the awareness of hallucination risk stood at 73.89%. It can be concluded that the use of LLMs is considered effective in accelerating student learning productivity, yet its application still requires strict critical thinking and independent verification to ensure that the learning outcomes obtained remain valid and accurate. Keywords: Large Language Model; Learning Efficiency; UTAUT; Prompt Engineering; Hallucination Trap;
Perbandingan Algoritma Machine Learning Berbasis TF-IDF dan SMOTE untuk Analisis Sentimen Ulasan Aming Coffee Emi Wulandari; Riski Annisa; Muhammad Fahmi Julianto
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 3 (2026): Juni, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/hk03ka40

Abstract

Abstrak - Ulasan pelanggan pada Google Maps dapat dimanfaatkan untuk mengetahui persepsi pelanggan terhadap kualitas produk dan layanan suatu perusahaan. Namun, banyaknya jumlah ulasan dan data yang tidak terstruktur menyebabkan proses analisis secara manual menjadi kurang efektif. Penelitian ini bertujuan untuk melakukan analisis sentimen pada ulasan pelanggan Aming Coffee menggunakan metode pembobotan Term Frequency–Inverse Document Frequency (TF-IDF) dan algoritma machine learning. Data penelitian diperoleh melalui proses scraping sebanyak 4.000 ulasan pelanggan dari Google Maps Aming Coffee. Tahapan penelitian meliputi preprocessing data yang terdiri atas cleaning, case folding, tokenisasi, normalisasi, stopword removal, dan stemming, kemudian dilakukan pembobotan TF-IDF, pembagian data, klasifikasi menggunakan algoritma Naïve Bayes, Support Vector Machine (SVM), dan Decision Tree C4.5, serta penerapan Synthetic Minority Over-sampling Technique (SMOTE) pada data latih untuk menangani ketidakseimbangan kelas. Evaluasi model dilakukan menggunakan accuracy, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa model tanpa SMOTE memperoleh akurasi tertinggi, yaitu Naïve Bayes sebesar 90,63%, diikuti SVM sebesar 90,50%, dan C4.5 sebesar 88,25%. Setelah penerapan SMOTE, akurasi model mengalami penurunan, namun nilai precision meningkat sehingga model menjadi lebih mampu memperhatikan kelas sentimen minoritas. Hasil Exploratory Data Analysis (EDA) menunjukkan bahwa sentimen positif mendominasi ulasan pelanggan Aming Coffee dengan kata yang paling sering muncul antara lain “kopi”, “coffee”, “enak”, “mantap”, dan “ramai”. Penelitian ini menunjukkan bahwa kombinasi TF-IDF, machine learning, dan SMOTE dapat digunakan untuk analisis sentimen ulasan pelanggan serta memberikan informasi yang bermanfaat dalam evaluasi kualitas layanan dan pengambilan keputusan bisnis. Kata kunci : Analisis Sentimen; TF-IDF; Naïve Bayes; Support Vector Machine; Decision Tree C4.5; SMOTE;   Abstract - Customer reviews on Google Maps can be utilized to understand customer perceptions of a company's products and services. However, the large volume of unstructured reviews makes manual analysis less effective. This study aims to perform sentiment analysis on Aming Coffee customer reviews using the Term Frequency–Inverse Document Frequency (TF-IDF) weighting method and machine learning algorithms. Research data were collected through scraping 4,000 customer reviews from Google Maps. The research stages included data preprocessing consisting of cleaning, case folding, tokenization, normalization, stopword removal, and stemming, followed by TF-IDF weighting, data splitting, sentiment classification using Naïve Bayes, Support Vector Machine (SVM), and Decision Tree C4.5 algorithms, as well as the implementation of Synthetic Minority Over-sampling Technique (SMOTE) on training data to address class imbalance. Model evaluation was conducted using accuracy, precision, recall, F1-score, and confusion matrix. The results showed that models without SMOTE achieved the highest accuracy, with Naïve Bayes reaching 90.63%, followed by SVM at 90.50% and C4.5 at 88.25%. After applying SMOTE, model accuracy decreased, while precision increased, indicating improved attention to minority sentiment classes. Exploratory Data Analysis (EDA) results revealed that positive sentiment dominated Aming Coffee customer reviews, with frequently occurring words including “kopi,” “coffee,” “enak,” “mantap,” and “ramai.” This study demonstrates that the combination of TF-IDF, machine learning algorithms, and SMOTE can be effectively applied to sentiment analysis and provide useful insights for service quality evaluation and business decision-making. Keywords: Sentiment Analysis; TF-IDF; Naïve Bayes; Support Vector Machine; Decision Tree C4.5; SMOTE;
Analisis Sentimen Publik Polemik LPDP di Media Sosial X: Perbandingan Machine Learning dan Deep Learning Iqbal Ananda Rizqy Nasution; Muhammad Iqbal; Mia Rosmiati
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 3 (2026): Juni, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/ktbcz947

Abstract

Abstrak – Program beasiswa Lembaga Pengelola Dana Pendidikan (LPDP) menjadi topik perbincangan masif di platform media sosial X pada periode Februari hingga Mei 2026, dipicu oleh polemik terkait kewajiban pengabdian penerima beasiswa. Tingginya volume percakapan publik yang dihasilkan memerlukan pendekatan otomatis untuk memahami persepsi masyarakat secara efisien dan objektif. Penelitian ini membandingkan performa empat metode yang mewakili tiga generasi pendekatan analisis sentimen, yaitu Logistic Regression dan Support Vector Machine sebagai representasi machine learning klasik, Bidirectional Long Short-Term Memory dengan FastText sebagai representasi deep learning, serta IndoBERTweet sebagai representasi transformer. Sebanyak 1.217 tweet berbahasa Indonesia dikumpulkan melalui Tweet Harvest dengan empat ronde pencarian menggunakan kata kunci terkait polemik LPDP, dan setelah proses audit menghasilkan 1.195 tweet valid yang digunakan dalam pemodelan, kemudian dilabeli secara otomatis menggunakan InSet Lexicon dengan threshold ±3 menghasilkan distribusi 69,68% negatif, 17,17% netral, dan 13,15% positif, serta diseimbangkan menggunakan Random Oversampling. Hasil evaluasi menunjukkan bahwa Bidirectional LSTM dengan FastText mencapai performa terbaik dengan accuracy 79,17% dan F1-score macro 62,77%, diikuti Logistic Regression dengan accuracy 75,73%, SVM dengan accuracy 75,31%, dan IndoBERTweet dengan accuracy 72,08%. Temuan ini mengindikasikan bahwa model deep learning berbasis sekuensial lebih unggul dibandingkan machine learning klasik maupun transformer pada dataset informal berukuran terbatas, kemungkinan disebabkan oleh kemampuan FastText dalam menangani variasi penulisan bahasa informal Twitter berbahasa Indonesia. Kata kunci : Analisis Sentimen; LPDP; Bidirectional LSTM; IndoBERTweet; Media Sosial X;   Abstract – The LPDP scholarship program became a massive topic of discussion on the X social media platform during the period of February to May 2026, triggered by controversy surrounding scholarship recipients' service obligations. The high volume of public conversations generated requires an automated approach to understand public perception efficiently and objectively. This study compares the performance of four methods representing three generations of sentiment analysis approaches, namely Logistic Regression and Support Vector Machine as classical machine learning representatives, Bidirectional Long Short-Term Memory with FastText as a deep learning representative, and IndoBERTweet as a transformer representative. A total of 1,217 Indonesian-language tweets were collected via Tweet Harvest using four rounds of searches with keywords related to the LPDP controversy, then automatically labeled using InSet Lexicon with a threshold of ±3, resulting in a distribution of 69.68% negative, 17.17% neutral, and 13.15% positive, and balanced using Random Oversampling. Evaluation results show that Bidirectional LSTM with FastText achieved the best performance with an accuracy of 79.17% and a macro F1-score of 62.77%, followed by Logistic Regression with 75.73% accuracy, SVM with 75.31% accuracy, and IndoBERTweet with 72.08% accuracy. These findings indicate that sequential-based deep learning outperforms both classical machine learning and transformer models on informal datasets of limited size, likely due to FastText's ability to handle writing variations in informal Indonesian Twitter Language. Keywords: Sentiment Analysis; LPDP; Bidirectional LSTM; IndoBERTweet; Social Media X;
Implementasi Aplikasi Laporan Kegiatan Magang Berbasis Web pada Bidang Pelayanan Perpustakaan dan Kearsipan Dispusipda Jawa Barat Nanda Alia Destiara; Darsiti; Mamok Andri Senubekti
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 3 (2026): Juni, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/pvw42x38

Abstract

Abstrak - Pengelolaan laporan kegiatan magang pada Bidang Pelayanan Perpustakaan dan Kearsipan (PPK) Dispusipda Jawa Barat sebelumnya masih menggunakan Google Form sehingga proses pencatatan dan rekap laporan kurang efektif. Penelitian ini bertujuan merancang dan membangun aplikasi laporan kegiatan magang berbasis web untuk memudahkan peserta magang dalam melakukan pelaporan harian serta membantu admin dalam mengelola data laporan. Metode pengembangan sistem yang digunakan adalah Rapid Application Development (RAD) karena mampu mendukung proses pengembangan sistem secara cepat sesuai kebutuhan pengguna. Aplikasi dibangun menggunakan PHP dan MySQL. Hasil penelitian menunjukkan bahwa sistem yang dibangun dapat membantu proses pelaporan menjadi lebih rapi, terstruktur, dan mudah dikelola. Selain itu, sistem dapat membantu admin memantau aktivitas peserta magang serta menghasilkan laporan dalam format PDF dan Excel secara lebih cepat dan efisien. Berdasarkan hasil pengujian Black Box Testing, seluruh fitur utama sistem dapat berjalan sesuai dengan fungsi yang diharapkan. Kata kunci : Digitaslisasi; Laporan Magang; Website; Rapid Application Development (RAD); Black Box Testing; Abstract - The management of internship activity reports at the Library and Archives Service Division (PPK) of Dispusipda West Java previously still used Google Forms, making the recording and report recapitulation process less effective. This study aims to design and develop a web-based internship activity reporting application to facilitate interns in submitting daily reports and assist administrators in managing report data. The system development method used is Rapid Application Development (RAD) because it supports rapid system development according to user requirements. The application was developed using PHP and MySQL. The results show that the system can make the reporting process more organized, structured, and easier to manage. In addition, the system helps administrators monitor internship activities and generate reports in PDF and Excel formats more quickly and efficiently. Based on Black Box Testing results, all main system features function properly according to the expected requirements. Keywords: Digitalization; Internship Report; Website; Rapid Application Development (RAD); Black Box Testing;

Page 7 of 8 | Total Record : 72

 4   5   6   7   8 

Filter by Year

2026 2026


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