cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota yogyakarta,
Daerah istimewa yogyakarta
INDONESIA
Jurnal Buana Informatika
Published by Universitas Atma Jaya Yogyakarta
ISSN : 20872534     EISSN : 20897642     DOI : -
Core Subject : Science,
Computer Science & IT
Arjuna Subject : -
Articles 594 Documents
 52   53   54   55   56 
Analisis Sentimen Review Hotel Menggunakan Metode Deep Learning BERT Vidya Chandradev; I Made Agus Dwi Suarjaya; I Putu Agung Bayupati
Jurnal Buana Informatika Vol. 14 No. 02 (2023): Jurnal Buana Informatika, Volume 14, Nomor 2, Oktober 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i02.7244

Abstract

Pandemi COVID-19 telah menyebabkan penurunan kunjungan pariwisata dan okupansi hotel. Penting bagi pengusaha hotel untuk memantau gaya hidup pengunjung guna menjaga kelangsungan bisnis. Salah satu cara untuk melakukannya adalah dengan memahami sentimen pengunjung hotel melalui analisis review agar mendapatkan pemahaman yang lebih baik dalam pengambilan keputusan terkait layanan dan aspek bisnis di sektor perhotelan. Penelitian ini menerapkan model deep learning natural language processing BERT untuk menganalisis sentimen positif dan negatif dari review pengunjung hotel di Indonesia. Model BERT yang digunakan telah menjalani proses pretrained dan diterapkan metode fine-tuning untuk menghasilkan analisis sentimen yang akurat. Hasil evaluasi menunjukkan bahwa model fine-tuning SmallBERT yang dilatih menggunakan dataset 515k review hotel selama 5 epoch memberikan performa yang baik. Model SmallBERT mencapai akurasi sebesar 91,40%, presisi 90,51%, recall 90,51%, dan skor f1 90,51% saat dievaluasi dengan dataset yang diberi label secara manual. Visualisasi hasil perbandingan sentimen yang didominasi oleh sentimen positif, dilakukan menggunakan Tableau
Classification of Cumulonimbus Cloud Formation based on Himawari Images using Convolutional Neural Network model Googlenet Mohammad Rizal Abidin; Dian candra Rini Novitasari; Hani Khaulasari; Fajar Setiawan
Jurnal Buana Informatika Vol. 14 No. 02 (2023): Jurnal Buana Informatika, Volume 14, Nomor 2, Oktober 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i02.7417

Abstract

Cumulonimbus clouds (Cb) are dangerous for many human activities. To reduce this effect, a system to classify formations is needed. The formation of Cb clouds can be seen in the Himawari-8 IR image. This research aimed to create a Cb cloud classification system with Himawari-8 IR Enhanced imagery using the GoogleNet model CNN method. The total data used was 2026 image data. Parameter testing was carried out on the CNN GoogleNet model in this study, namely a data distribution ratio of 90:10 and 80:20. The probability of dropout is 0.6, 0.7, and 0.8. and batch sizes of 8, 16, 32, and 64. The trials conducted in this study yielded a sensitivity value of 100.00%, an accuracy of 99.00%, and a specificity of 99.60% obtained from the experimental data distribution of 90:10, probability 0.8, and batch size 8.
Moving Average untuk Prediksi Harga Saham dengan Linear Regression Luis Alpianto; Aditiya Hermawan; Junaedi
Jurnal Buana Informatika Vol. 14 No. 02 (2023): Jurnal Buana Informatika, Volume 14, Nomor 2, Oktober 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i02.7446

Abstract

Saham sebagai instrumen investasi di pasar modal dapat memberikan keuntungan berupa capital gain, namun juga memiliki resiko capital loss. Metode analisis dan peramalan diperlukan untuk membantu investor. Untuk mencapai hal tesebut, data historis dan data rata-rata digunakan untuk mengurangi fluktuasi acak jangka pendek pada harga saham, dan algoritma linear regression untuk mendapatkan hasil yang akurat dengan mengurangi tingkat kesalahan dan nilai Mean Squared Error (MSE). Hasil evaluasi menunjukkan akurasi yang baik dengan korelasi yang kuat dan nilai Mean Absolute Percent Error (MAPE) yang rendah. Selain itu, pengujian terhadap data historis dilakukan untuk menguji model dan menghasilkan keuntungan yang signifikan berdasarkan prediksi dari model tersebut. Menurut temuan yang diperoleh dari penilaian tersebut, memprediksi saham dengan menggunakan metode moving average dan linear regression dapat membantu investor memperoleh keuntungan dan mengurangi risiko.
Emotion Classification in Indonesian Language: A CNN Approach with Hyperband Tuning Muhammad Yeza Baihaqi; Edmun Halawa; Riri Asyahira Sariati Syah; Anniza Nurrahma; Wilbert Wijaya
Jurnal Buana Informatika Vol. 14 No. 02 (2023): Jurnal Buana Informatika, Volume 14, Nomor 2, Oktober 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i02.7558

Abstract

In today's world, there is a high demand for accurate techniques to classify emotions in various fields. This study proposed utilizing a Convolutional Neural Network (CNN) optimized with a Hyperband Tuner (HT) to perform the Emotion Classification task in the Indonesian language effectively. Various feature extraction techniques experiments were conducted to explore the best combinations of feature extraction and CNN for the data set, including CountVectorizer (CV), TF-IDF, and Keras Tokenizer (KT). Last, the proposed methodology was evaluated and compared to the stateof-the-art techniques, including K-Nearest Neighbors (KNN), Decision Tree (DT), Naive Bayes (NB), and Boosting SVM. The experimental results revealed that the proposed method in this research outperforms the existing technique as evidenced by the accuracy, precision, recall, and F1-score metrics, which respectively reached 71.5655%, 71.5483%, 71.5655%, and 71.0041%.
Perbandingan Pytesseract dan Template Matching Untuk Otomatisasi Input Data KTP Teresa Octaviani; Hendry Setiawan; Oesman Hendra Kelana
Jurnal Buana Informatika Vol. 14 No. 02 (2023): Jurnal Buana Informatika, Volume 14, Nomor 2, Oktober 2023
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v14i02.7612

Abstract

KTP memiliki banyak fungsi, seperti sebagai kartu identitas, dalam proses pendaftaran, dalam proses kepengurusan, serta untuk mengakses layanan. Hingga saat ini, pendaftaran KTP dilakukan dengan diketik sehingga tidak hemat waktu dan tenaga, serta sering menyebabkan kesalahan dalam pengetikan sehingga data yang disimpan tidak sesuai. Oleh karena itu, dikembangkan aplikasi dengan fitur otomatisasi pengisian data KTPmenggunakan OCR. Metode OCRyang akan digunakan ditentukan dengan pengujian akurasi metode Pytesseract dan template matching pada kondisi menggunakan kamera smartphone dengan pencahayaan gelap, terang, terang sekali, dan menggunakan kamera laptop. Rata-rata tingkat akurasi dari empat pengkondisian yang didapatkan oleh metode Pytesseract adalah 98,33%, sedangkan rata-rata yang didapatkan oleh metode template matching adalah 67,33%. Berdasarkan hasil ini, sistem OCR yang dikembangkan menggunakan metode Pytesseract.
Evaluasi Performa Kernel SVM dalam Analisis Sentimen Review Aplikasi ChatGPT Menggunakan Hyperparameter dan VADER Lexicon Ernawati, Siti; Wati, Risa
Jurnal Buana Informatika Vol. 15 No. 01 (2024): Jurnal Buana Informatika, Volume 15, Nomor 01, April 2024
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v15i1.7925

Abstract

ChatGPT merupakan model bahasa kecerdasan buatan yang merespon pertanyaan dan pernyataan pengguna. ChatGPT memiliki manfaat dan kelemahan bagi pengguna. Hal ini menimbulkan komentar pada media sosial tentang manfaat dari ChatGPT. Penelitian ini membahas tentang analisis sentimen review aplikasi ChatGPT menggunakan SVM kernel linier, RBF, polinomial dan sigmoid. Pelabelan menggunakan VADER lexicon dan hyperparameter untuk menghasilkan parameter terbaik. Tujuan penelitian yaitu apakah aplikasi ChatGPT dapat memberikan manfaat dan membuktikan apakah kernel pada SVM dapat meningkatkan nilai akurasi. Diskenariokan persentase pembagian antara data uji dan data latih adalah 70:30, 80:30, dan 90:10. Setelah dilakukan preprocessing, kemudian dikelompokkan menjadi review positif dan negatif. Dilakukan hyperparameter terhadap parameter C dan Gamma sehingga menghasilkan nilai maksimal. Hasil eksperimen diperoleh akurasi tertinggi menggunakan SVM kernel RBF skenario 90:10 dengan nilai accuracy 92.72%, precision 92.44%, f1-score 96.10% dan AUC 88%.
Analisis Sentimen Terhadap TikTok Shop Dengan K-Nearest Neighbor, Decision Tree, dan Naive Bayes Fieryando, Fieryando; Kristianto, Budhi
Jurnal Buana Informatika Vol. 15 No. 01 (2024): Jurnal Buana Informatika, Volume 15, Nomor 01, April 2024
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v15i1.8205

Abstract

Di era digital yang berkembang dengan cepat, banyak aplikasi yang membantu manusia, salah satunya adalah TikTok. TikTok merupakan aplikasi yang menampilkan video dengan berbagai jenis kategori, TikTok juga terdapat fitur marketplace, yaitu TikTok Shop. TikTok Shop merupakan sebuah fitur yang dapat digunakan untuk berbelanja dalam memenuhi kebutuhan. Hadirnya fitur TikTok Shop membuat orang-orang berpendapat terkait fitur tersebut, ada yang berpendapat positif dan juga negatif. Dengan adanya pendapat dari orang-orang tentang fitur TikTok Shop ini, dilakukan penelitian dengan tiga algoritma, yaitu K-Nearest Neighbor mendapatkan hasil akurasi sebesar 94%, Decision Tree dengan akurasi sebesar 96% dan Naive Bayes dengan akurasi sebesar 98%. Penelitian ini dilakukan untuk menyediakan data yang baik dan mudah dimengerti terkait pendapat pengguna TikTok Shop, sehingga dapat menjadi landasan evaluasi untuk perbaikan fitur TikTok Shop.
Implementasi Data Mining untuk Estimasi Produksi Cabai menggunakan Metode Exponential Smoothing Lintang Fauziyatu Azmi; Zahrotun, Lisna
Jurnal Buana Informatika Vol. 15 No. 01 (2024): Jurnal Buana Informatika, Volume 15, Nomor 01, April 2024
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v15i1.8333

Abstract

Cabai merupakan komoditas hortikultura yang banyak dibudidayakan dan berpengaruh pada fluktuasi ekonomi di Kabupaten Sleman. Dalam upaya menstabilkan fluktuasi harga dan pertumbuhan ekonomi di Kabupaten sleman, maka perlu dilakukan estimasi produksi cabai untuk periode ke depan. Estimasi produksi cabai yang dilakukan dalam penelitian ini menggunakan tiga jenis metode Exponential Smoothing dengan kombinasi parameter alpha, beta, dan gamma. Penelitian ini bertujuan untuk mengembangkan model estimasi produksi cabai dengan menggunakan Single, Double, dan Triple Exponential Smoothing. Hasil penelitian ini menunjukkan bahwa Triple Exponential Smoothing adalah metode yang paling tepat digunakan untuk mengestimasi produksi cabai di masa mendatang, dengan persentase tingkat error sebesar 6.5%.
Konfigurasi Model Prophet Untuk Prediksi Harga Saham Sektor Teknologi di Indonesia Yang Akurat Santoso, Ravelino Sebastian; Sari Dewi, Findra Kartika
Jurnal Buana Informatika Vol. 15 No. 01 (2024): Jurnal Buana Informatika, Volume 15, Nomor 01, April 2024
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v15i1.8634

Abstract

Saham merupakan salah satu instrumen investasi yang sedang ramai dan digemari oleh masyarakat muda Indonesia. Untuk dapat meramal harga saham, dapat dilakukan analisis teknikal dengan menerapkan machine learning. Namun, untuk dapat menggunakan machine learning, diperlukan implementasi algoritma yang membutuhkan waktu panjang serta keterampilan tinggi. Maka dari itu digunakanlah model Prophet, model machine learning yang mudah untuk dikembangkan. Pengembangan dilakukan dengan menyesuaikan karakteristik data saham yang merupakan data bertipe time series. Eksperimen dilakukan untuk menemukan konfigurasi yang perlu dilakukan terhadap model dalam menghasilkan peramalan yang paling akurat. Melalui penelitian yang dilakukan, hasil terbaik yang didapatkan adalah model Prophet yang menggunakan dataset paling banyak dan juga melalui hyperparameter tuning. Hal ini dapat dibuktikan dengan visualisasi yang ada serta nilai error yang rendah, dimana MAPE (Mean Absolute Percentage Error) mempunyai nilai error sebesar 15%.
Machine Learning for Environmental Health: Optimizing ConcaveLSTM for Air Quality Prediction Diqi, Mohammad; Hamzah; Ordiyasa, I Wayan; Wijaya, Nurhadi; Martin, Benedicto Reynaka Filio
Jurnal Buana Informatika Vol. 15 No. 01 (2024): Jurnal Buana Informatika, Volume 15, Nomor 01, April 2024
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v15i1.8707

Abstract

This study investigates the optimization of the ConcaveLSTM model for air quality prediction, focusing on the interplay between input sequence lengths and the number of LSTM units to enhance forecasting accuracy. Through the evaluation of various model configurations against performance metrics such as RMSE, MAE, MAPE, and R-squared, an optimal setup featuring 50 input steps and 300 neurons was identified, demonstrating superior predictive capabilities. The findings underscore the critical role of model parameter tuning in capturing temporal dependencies within environmental data. Despite limitations related to dataset representativeness and environmental variability, the research provides a solid foundation for future advancements in predictive environmental modeling. Recommendations include expanding dataset diversity, exploring hybrid models, and implementing real-time data integration to improve model generalizability and applicability in real-world scenarios.

Page 54 of 60 | Total Record : 594

 52   53   54   55   56 

Filter by Year

2010 2025


Reset
Filter By Issues
All Issue Vol. 16 No. 01 (2025): Jurnal Buana Informatika, Volume 16, Nomor 01, April 2025 Vol. 16 No. 2 (2025): Jurnal Buana Informatika, Volume 16, Nomor 02, Oktober 2025 Vol. 15 No. 01 (2024): Jurnal Buana Informatika, Volume 15, Nomor 01, April 2024 Vol. 15 No. 2 (2024): Jurnal Buana Informatika, Volume 15, Nomor 02, Oktober 2024 Vol. 14 No. 02 (2023): Jurnal Buana Informatika, Volume 14, Nomor 2, Oktober 2023 Vol. 14 No. 01 (2023): Jurnal Buana Informatika, Volume 14, Nomor 1, April 2023 Vol. 13 No. 02 (2022): Jurnal Buana Informatika, Volume 13, Nomor 2, Oktober 2022 Vol. 13 No. 1 (2022): Jurnal Buana Informatika, Volume 13, Nomor 1, April 2022 Vol 12, No 2 (2021): Jurnal Buana Informatika Volume 12 - Nomor 2 - Oktober 2021 Vol. 12 No. 2 (2021): Jurnal Buana Informatika Volume 12 - Nomor 2 - Oktober 2021 Vol 12, No 1 (2021): Jurnal Buana Informatika Volume 12 - Nomor 1 - April 2021 Vol. 12 No. 1 (2021): Jurnal Buana Informatika Volume 12 - Nomor 1 - April 2021 Vol. 11 No. 2: Vol 11, No 2 (2020): Jurnal Buana Informatika Volume 11 - Nomor 2 - Okober 2020 Vol 11, No 2: Vol 11, No 2 (2020): Jurnal Buana Informatika Volume 11 - Nomor 2 - Okober 2020 Vol 11, No 1 (2020): Jurnal Buana Informatika Volume 11 - Nomor 1 - April 2020 Vol. 11 No. 1 (2020): Jurnal Buana Informatika Volume 11 - Nomor 1 - April 2020 Vol. 10 No. 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019 Vol 10, No 2 (2019): Jurnal Buana Informatika Volume 10 Nomor 2 Oktober 2019 Vol 10, No 1 (2019): Jurnal Buana Informatika Volume 10 Nomor 1 April 2019 Vol. 10 No. 1 (2019): Jurnal Buana Informatika Volume 10 Nomor 1 April 2019 Vol 9, No 2 (2018): Jurnal Buana Informatika Volume 9 Nomor 2 Oktober 2018 Vol. 9 No. 2 (2018): Jurnal Buana Informatika Volume 9 Nomor 2 Oktober 2018 Vol. 9 No. 1 (2018): Jurnal Buana Informatika Volume 9 Nomor 1 April 2018 Vol 9, No 1 (2018): Jurnal Buana Informatika Volume 9 Nomor 1 April 2018 Vol. 8 No. 4 (2017): Jurnal Buana Informatika Volume 8 Nomor 4 Oktober 2017 Vol 8, No 4 (2017): Jurnal Buana Informatika Volume 8 Nomor 4 Oktober 2017 Vol 8, No 3 (2017): Jurnal Buana Informatika Volume 8 Nomor 3 Juli 2017 Vol. 8 No. 3 (2017): Jurnal Buana Informatika Volume 8 Nomor 3 Juli 2017 Vol. 8 No. 2 (2017): Jurnal Buana Informatika Volume 8 Nomor 2 April 2017 Vol 8, No 2 (2017): Jurnal Buana Informatika Volume 8 Nomor 2 April 2017 Vol. 8 No. 1 (2017): Jurnal Buana Informatika Volume 8 Nomor 1 Januari 2017 Vol 8, No 1 (2017): Jurnal Buana Informatika Volume 8 Nomor 1 Januari 2017 Vol 7, No 4 (2016): Jurnal Buana Informatika Volume 7 Nomor 4 Oktober 2016 Vol. 7 No. 4 (2016): Jurnal Buana Informatika Volume 7 Nomor 4 Oktober 2016 Vol 7, No 3 (2016): Jurnal Buana Informatika Volume 7 Nomor 3 Juli 2016 Vol. 7 No. 3 (2016): Jurnal Buana Informatika Volume 7 Nomor 3 Juli 2016 Vol 7, No 2 (2016): Jurnal Buana Informatika Volume 7 Nomor 2 April 2016 Vol. 7 No. 2 (2016): Jurnal Buana Informatika Volume 7 Nomor 2 April 2016 Vol 7, No 1 (2016): Jurnal Buana Informatika Volume 7 Nomor 1 Januari 2016 Vol. 7 No. 1 (2016): Jurnal Buana Informatika Volume 7 Nomor 1 Januari 2016 Vol 6, No 4 (2015): Jurnal Buana Informatika Volume 6 Nomor 4 Oktober 2015 Vol 6, No 4 (2015): Jurnal Buana Informatika Volume 6 Nomor 4 Oktober 2015 Vol. 6 No. 4 (2015): Jurnal Buana Informatika Volume 6 Nomor 4 Oktober 2015 Vol. 6 No. 3 (2015): Jurnal Buana Informatika Volume 6 Nomor 3 Juli 2015 Vol 6, No 3 (2015): Jurnal Buana Informatika Volume 6 Nomor 3 Juli 2015 Vol 6, No 3 (2015): Jurnal Buana Informatika Volume 6 Nomor 3 Juli 2015 Vol 6, No 2 (2015): Jurnal Buana Informatika Volume 6 Nomor 2 April 2015 Vol. 6 No. 2 (2015): Jurnal Buana Informatika Volume 6 Nomor 2 April 2015 Vol 6, No 2 (2015): Jurnal Buana Informatika Volume 6 Nomor 2 April 2015 Vol 6, No 1 (2015): Jurnal Buana Informatika Volume 6 Nomor 1 Januari 2015 Vol 6, No 1 (2015): Jurnal Buana Informatika Volume 6 Nomor 1 Januari 2015 Vol. 6 No. 1 (2015): Jurnal Buana Informatika Volume 6 Nomor 1 Januari 2015 Vol. 5 No. 2 (2014): Jurnal Buana Informatika Volume 5 Nomor 2 Juli 2014 Vol 5, No 2 (2014): Jurnal Buana Informatika Volume 5 Nomor 2 Juli 2014 Vol 5, No 1 (2014): Jurnal Buana Informatika Volume 5 Nomor 1 Januari 2014 Vol. 5 No. 1 (2014): Jurnal Buana Informatika Volume 5 Nomor 1 Januari 2014 Vol 5, No 1 (2014): Jurnal Buana Informatika Volume 5 Nomor 1 Januari 2014 Vol 4, No 2 (2013): Jurnal Buana Informatika Volume 4 Nomor 2 Juli 2013 Vol 4, No 2 (2013): Jurnal Buana Informatika Volume 4 Nomor 2 Juli 2013 Vol. 4 No. 2 (2013): Jurnal Buana Informatika Volume 4 Nomor 2 Juli 2013 Vol. 4 No. 1 (2013): Jurnal Buana Informatika Volume 4 Nomor 1 Januari 2013 Vol 4, No 1 (2013): Jurnal Buana Informatika Volume 4 Nomor 1 Januari 2013 Vol 4, No 1 (2013): Jurnal Buana Informatika Volume 4 Nomor 1 Januari 2013 Vol 3, No 2 (2012): Jurnal Buana Informatika Volume 3 Nomor 2 Juli 2012 Vol 3, No 2 (2012): Jurnal Buana Informatika Volume 3 Nomor 2 Juli 2012 Vol. 3 No. 2 (2012): Jurnal Buana Informatika Volume 3 Nomor 2 Juli 2012 Vol 3, No 1 (2012): Jurnal Buana Informatika Volume 3 Nomor 1 Januari 2012 Vol. 3 No. 1 (2012): Jurnal Buana Informatika Volume 3 Nomor 1 Januari 2012 Vol 3, No 1 (2012): Jurnal Buana Informatika Volume 3 Nomor 1 Januari 2012 Vol. 2 No. 2 (2011): Jurnal Buana Informatika Volume 2 Nomor 2 Juli 2011 Vol 2, No 2 (2011): Jurnal Buana Informatika Volume 2 Nomor 2 Juli 2011 Vol 2, No 2 (2011): Jurnal Buana Informatika Volume 2 Nomor 2 Juli 2011 Vol 2, No 1 (2011): Jurnal Buana Informatika Volume 2 Nomor 1 Januari 2011 Vol 2, No 1 (2011): Jurnal Buana Informatika Volume 2 Nomor 1 Januari 2011 Vol. 2 No. 1 (2011): Jurnal Buana Informatika Volume 2 Nomor 1 Januari 2011 Vol 1, No 2 (2010): Jurnal Buana Informatika Volume 1 Nomor 2 Juli 2010 Vol. 1 No. 2 (2010): Jurnal Buana Informatika Volume 1 Nomor 2 Juli 2010 Vol 1, No 2 (2010): Jurnal Buana Informatika Volume 1 Nomor 2 Juli 2010 Jurnal Buana Informatika Volume 1 Nomor 1 Januari 2010 Jurnal Buana Informatika Volume 1 Nomor 1 Januari 2010 More Issue