JINTEN: Journal of Intelligent Systems and Digital Science
JINTEN: Journal of Intelligent Systems and Digital Science merupakan jurnal ilmiah peer-reviewed yang mempublikasikan hasil penelitian, kajian konseptual, tinjauan sistematis, studi bibliometrik, pengembangan metode, dan kontribusi teknis dalam bidang kecerdasan buatan, sistem cerdas, sains data, komputasi, dan teknologi digital. Ruang lingkup jurnal meliputi machine learning, deep learning, pemrosesan bahasa alami, computer vision, kecerdasan generatif, data mining, analitik data, pemodelan prediktif, sistem pakar, sistem pendukung keputusan, optimasi, logika fuzzy, Internet of Things, cloud computing, edge computing, sistem informasi cerdas, sistem rekomendasi, rekayasa perangkat lunak berbasis AI, serta transformasi digital. JINTEN juga menerima penelitian interdisipliner mengenai penerapan teknologi cerdas pada pendidikan, kesehatan, industri, pertanian, lingkungan, transportasi, pemerintahan, dan ekonomi digital. Jurnal menerima naskah dalam Bahasa Indonesia dan Bahasa Inggris serta memprioritaskan penelitian yang memiliki kebaruan, ketelitian metodologis, dan kontribusi terhadap pengembangan teori, metode, maupun aplikasi teknologi digital.
Articles
5 Documents
Search results for
, issue
"vol 1 no 2: september 2026"
:
5 Documents
clear
<![CDATA[Dapatkah Large Language Models Melakukan Triase Kasus Layanan Primer di Indonesia Dengan Aman? ]]>
<![CDATA[Muhammad Sobri Maulana]]>;
<![CDATA[Dwitia Pratiwi]]>;
<![CDATA[Arditya Prayogi]]>
<![CDATA[ JINTEN: Journal of Intelligent Systems and Digital Science Vol 1 No 2: September 2026 ]]>
Publisher : <![CDATA[CV. Ihsan Cahaya Pustaka ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.66031/jinten.v1i2.664
<![CDATA[Model bahasa besar atau large language models (LLMs) berpotensi mendukung triase yang berhadapan langsung dengan pasien, tetapi bukti keselamatannya masih didominasi konteks emergency department berbahasa Inggris dan belum menjawab kebutuhan layanan primer Indonesia. Penelitian ini mengusulkan benchmark empat tingkat untuk self-care, konsultasi rutin, penilaian urgent pada hari yang sama, dan rujukan emergency menggunakan 240 vignette klinis berbahasa Indonesia. Empat LLM anonim dievaluasi melalui exact triage accuracy, macro F1, weighted kappa, high-acuity sensitivity, under-triage, unsafe under-triage, serta robustness terhadap variasi redaksi. Untuk mendemonstrasikan pipeline analitik sebelum eksperimen prospektif, seluruh hasil numerik pada artikel ini disimulasikan. Pada simulasi, exact accuracy berkisar 60,4%–78,3%; model terbaik mencapai macro F1 78,4%, weighted kappa 0,886, high-acuity sensitivity 92,5%, dan unsafe under-triage 0,8%. Performa menurun ketika ambiguitas vignette meningkat dan kegagalan penting terkonsentrasi pada presentasi atipikal atau tidak lengkap. Temuan demonstratif ini menunjukkan bahwa benchmark triase perlu memprioritaskan metrik sensitif terhadap bahaya, bukan accuracy semata, dan memerlukan validasi Indonesia dengan versi model terkunci, adjudikasi klinisi, serta ambang keselamatan yang diprespesifikasi sebelum deployment patient-facing.]]>
<![CDATA[Customer Segmentation Menggunakan K-Means dan Analisis RFM Pada Data Transaksi Digital ]]>
<![CDATA[Disa Putri Yuliansyah]]>;
<![CDATA[Rezi Azhar Hadi Husain]]>
<![CDATA[ JINTEN: Journal of Intelligent Systems and Digital Science Vol 1 No 2: September 2026 ]]>
Publisher : <![CDATA[CV. Ihsan Cahaya Pustaka ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.66031/jinten.v1i2.679
<![CDATA[Pertumbuhan transaksi digital menghasilkan volume data pelanggan yang semakin besar, tetapi data tersebut belum selalu dimanfaatkan secara optimal untuk memahami karakteristik dan nilai pelanggan. Penelitian ini bertujuan melakukan segmentasi pelanggan pada data transaksi digital menggunakan analisis Recency, Frequency, Monetary (RFM) yang dipadukan dengan algoritma K-Means. Tahapan penelitian meliputi praproses data, agregasi transaksi berdasarkan pelanggan, pembentukan atribut RFM, normalisasi data, penentuan jumlah cluster menggunakan metode Elbow, penerapan K-Means, serta interpretasi karakteristik setiap segmen. Hasil analisis menunjukkan bahwa (k=4) merupakan jumlah cluster optimal berdasarkan metode Elbow. Segmentasi menghasilkan empat kelompok pelanggan, yaitu Champions, Loyal Customers, Potential Customers, dan At Risk, dengan karakteristik Recency, Frequency, dan Monetary yang berbeda. Champions memiliki Recency terendah sebesar 9,6 hari, Frequency tertinggi sebesar 18,6 transaksi, dan Monetary tertinggi sebesar Rp2.286.104. Sebaliknya, At Risk memiliki Recency tertinggi sebesar 158,7 hari dengan Frequency 2,5 transaksi dan Monetary Rp221.955. Hasil segmentasi dapat menjadi dasar penyusunan strategi pemasaran yang lebih personal dan sesuai dengan karakteristik setiap kelompok pelanggan.]]>
<![CDATA[Pengembangan Sistem Rekomendasi Pembelajaran Personal Berbasis Machine Learning Untuk Mendukung Adaptive Learning ]]>
<![CDATA[Sri Rahayu Nur Kusumadewi]]>;
<![CDATA[Ahmad Jodi Cahya]]>
<![CDATA[ JINTEN: Journal of Intelligent Systems and Digital Science Vol 1 No 2: September 2026 ]]>
Publisher : <![CDATA[CV. Ihsan Cahaya Pustaka ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.66031/jinten.v1i2.681
<![CDATA[Perbedaan karakteristik, kemampuan, dan pola aktivitas belajar peserta didik menuntut penerapan pembelajaran yang lebih personal dan adaptif. Penelitian ini bertujuan mengembangkan sistem rekomendasi pembelajaran personal berbasis machine learning untuk mendukung adaptive learning melalui pemanfaatan profil dan aktivitas peserta didik. Sistem dikembangkan melalui tahapan prapemrosesan data, feature engineering, pemodelan machine learning, serta integrasi content-based filtering dan collaborative filtering dalam pendekatan hybrid. Kinerja model dibandingkan menggunakan accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model hybrid memberikan kinerja terbaik dengan accuracy sebesar 0,91, precision 0,90, recall 0,89, dan F1-score 0,895, lebih tinggi dibandingkan K-Nearest Neighbors, Random Forest, dan Support Vector Machine. Proses pelatihan selama 30 epoch juga menunjukkan pola akurasi training dan validasi yang relatif konsisten tanpa indikasi overfitting yang signifikan. Hasil tersebut menunjukkan bahwa penggabungan informasi berbasis karakteristik materi dan pola interaksi peserta didik berpotensi mendukung rekomendasi pembelajaran yang lebih personal dan adaptif.]]>
<![CDATA[Analisis Sentimen Ulasan Pengguna Livin’ by Mandiri Menggunakan Model Deep Transformer IndoBERT ]]>
<![CDATA[Duwi Purnama Sidik]]>;
<![CDATA[Fatqurhohman Fatqurhohman]]>
<![CDATA[ JINTEN: Journal of Intelligent Systems and Digital Science Vol 1 No 2: September 2026 ]]>
Publisher : <![CDATA[CV. Ihsan Cahaya Pustaka ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.66031/jinten.v1i2.682
<![CDATA[Perkembangan layanan perbankan digital menghasilkan sejumlah besar ulasan pengguna yang dapat dimanfaatkan untuk memahami persepsi terhadap kualitas layanan aplikasi. Penelitian ini bertujuan menganalisis sentimen ulasan pengguna aplikasi Livin’ by Mandiri menggunakan model IndoBERT melalui proses fine-tuning. Data penelitian berasal dari ulasan pengguna yang diklasifikasikan ke dalam dua kelas sentimen, yaitu positif dan negatif, dengan rating 3 dikeluarkan sebagai kategori netral. Sebanyak 15.000 ulasan dipilih menggunakan stratified sampling dan dibagi menjadi 70% data latih, 20% validasi, dan 10% data uji. Proses pemodelan menggunakan IndoBERT Base P1 dengan panjang maksimum 128 token dan pelatihan selama tiga epoch. Evaluasi dilakukan menggunakan accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model terbaik diperoleh pada epoch pertama dengan validation accuracy sebesar 92,77% dan F1-score sebesar 94,49%. Pada data uji, model menghasilkan accuracy sebesar 92%, macro F1-score 91%, dan weighted F1-score 92%. F1-score kelas negatif mencapai 0,88, sedangkan kelas positif sebesar 0,94. Hasil tersebut menunjukkan bahwa IndoBERT mampu melakukan klasifikasi sentimen ulasan Livin’ by Mandiri dengan kinerja yang baik serta berpotensi digunakan untuk mendukung analisis opini pengguna pada layanan perbankan digital.]]>
<![CDATA[Pengembangan Aplikasi Mobile Untuk Monitoring Kegiatan Mahasiswa ]]>
<![CDATA[Rizal Noerhendi Saptura]]>
<![CDATA[ JINTEN: Journal of Intelligent Systems and Digital Science Vol 1 No 2: September 2026 ]]>
Publisher : <![CDATA[CV. Ihsan Cahaya Pustaka ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.66031/jinten.v1i2.685
<![CDATA[Pemantauan kegiatan mahasiswa merupakan bagian penting dalam pengelolaan data kemahasiswaan karena kegiatan akademik dan nonakademik perlu dicatat, didokumentasikan, dan diverifikasi secara terstruktur. Proses pencatatan yang masih dilakukan melalui media terpisah dapat menyulitkan mahasiswa maupun pengelola dalam melakukan pengajuan, pemeriksaan, dan rekapitulasi kegiatan. Penelitian ini bertujuan mengembangkan aplikasi mobile berbasis Android untuk mendukung monitoring kegiatan mahasiswa secara terintegrasi. Pengembangan aplikasi menggunakan metode Prototype yang meliputi pengumpulan kebutuhan, perancangan prototipe, evaluasi, serta pengembangan dan penyempurnaan sistem. Aplikasi dirancang menggunakan arsitektur client-server yang menghubungkan aplikasi Android, REST API, dan basis data. Fitur yang dikembangkan meliputi login, pencatatan kegiatan, pengunggahan bukti, pemantauan riwayat dan status kegiatan, verifikasi oleh dosen wali atau admin, notifikasi, serta laporan rekapitulasi. Pengujian fungsional dilakukan menggunakan teknik black-box testing terhadap enam modul utama dengan skenario kondisi normal dan tidak valid. Hasil pengujian menunjukkan bahwa sebagian besar fungsi aplikasi berjalan sesuai dengan kebutuhan, dengan satu kendala ditemukan pada proses pengunggahan bukti kegiatan. Aplikasi yang dikembangkan dapat mendukung proses pencatatan, verifikasi, pemantauan, dan pelaporan kegiatan mahasiswa dalam satu sistem.]]>
