cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Darius Andana Haris
Contact Email
dariush@fti.untar.ac.id
Phone
+6215676260
Journal Mail Official
jiksi@fti.untar.ac.id
Editorial Address
Gedung R Lantai 9 Kampus 1 Jl. Let. Jend. S. Parman No. 1 Jakarta 11440
Location
Kota adm. jakarta barat,
Dki jakarta
INDONESIA
JIKSI (Jurnal Ilmu Komputer dan Sistem Informasi)
Published by Universitas Tarumanagara
ISSN : 23028769     EISSN : 23032529     DOI : -
Core Subject : Science, Education,
Computer Science & IT Mathematics Other
Jurnal Ilmu Komputer dan Sistem Informasi (JIKSI) diterbitkan oleh Fakultas Teknologi Informasi Universitas Tarumanagara (FTI Untar) Jakarta sebagai media publikasi karya ilmiah mahasiswa program studi Teknik Informatika dan Sistem Informasi FTI Untar. Karya-karya ilmiah yang dihasilkan berupa hasil penelitian kualitatif dan kuantitatif, perancangan sistem informasi, analisis dan perancangan progam aplikasi. Jurnal ini terbit dua kali dalam setahun yaitu pada bulan Januari dan Agustus.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 937 Documents
 79   80   81   82   83 
Perbandingan Kinerja Metode Klasifikasi Untuk Memprediksi Putus Sekolah Dan Keberhasilan Akademik Siswa William
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 1 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i1.32850

Abstract

Putus sekolah dan keberhasilan akademik siswa merupakan dua hal yang penting dalam pendidikan. Penelitian ini membandingkan kinerja metode klasifikasi untuk memprediksi putus sekolah dan keberhasilan akademik siswa. Metode klasifikasi yang digunakan adalah Random Forest Classifier, AdaBoost, Decision Tree, Logistic Regression, dan XGBoost. Dataset yang digunakan berasal dari perguruan tinggi yang memiliki 4424 sampel dengan 36 fitur dan 3 kelas. Hasil penelitian menunjukkan bahwa metode Random Forest Classifier memiliki kinerja terbaik dengan akurasi 76%, diikuti oleh XGBoost 76%, AdaBoost 74%, Logistic Regression 74%, dan Decision Tree 71%. Oleh karena itu, metode Random Forest Classifier dapat digunakan untuk memprediksi putus sekolah dan keberhasilan akademik siswa dengan lebih akurat. Namun, perlu dicatat bahwa meskipun semua metode klasifikasi yang digunakan dalam penelitian ini telah mengalami perbaikan kinerja melalui penggunaan teknik ADASYN dan penyetelan parameter, mereka masih menghadapi tantangan dalam mengidentifikasi dengan akurat kasus-kasus dalam salah satu kelas minoritas. Oleh karena itu, langkah selanjutnya yang perlu diambil adalah melakukan penelitian lebih lanjut untuk mengoptimalkan parameter dengan lebih cermat dan juga mempertimbangkan pendekatan lain yang dapat lebih lanjut meningkatkan kinerja model, seperti mempertimbangkan penambahan informasi tambahan yang mungkin ada dalam dataset.
PREDIKSI KETERLAMBATAN SEBUAH MASKAPAI MENGGUNAKAN METODE K-NEAREST NEIGHBOR Ardiansyah Jaya Winata
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 1 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i1.32851

Abstract

Penelitian ini bertujuan untuk membandingkan model prediksi keterlambatan penerbangan maskapai menggunakan tiga algoritma machine learning: K-Nearest Neighbor (KNN), Naïve Bayes, dan Random Forest. Data yang digunakan diperoleh dari platform Kaggle, terdiri dari 539.382 observasi dengan 6 atribut utama. Fitur target dalam prediksi adalah "Class", dengan fitur lain seperti 'Flight', 'Time', 'Length', 'Airline', dan 'DayOfWeek'. Dataset dibagi menjadi data latih (60%) dan data uji (40%). Hasil eksperimen menunjukkan bahwa metode K-Nearest Neighbor menghasilkan akurasi tertinggi sebesar 64%, diikuti oleh Random Forest dengan 62%, dan Naïve Bayes dengan 60%. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Penelitian ini menunjukkan bahwa metode K-Nearest Neighbor lebih unggul dibandingkan dua metode lainnya dalam memprediksi keterlambatan maskapai. Implikasi dari hasil ini mencakup potensi peningkatan efisiensi maskapai dalam memitigasi risiko keterlambatan, yang berdampak pada kepuasan pelanggan dan pengelolaan operasional.
Prediksi Jumlah Wisatawan Mancanegara Ke Indonesia Berdasarkan Kebangsaan Menggunakan SARIMA Surya Halim; Bagus Mulyawan; Manatap Dolok Lauro
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 1 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i1.32852

Abstract

Penelitian ini bertujuan untuk memprediksi jumlah wisatawan mancanegara ke Indonesia berdasarkan kebangsaan menggunakan model Seasonal Autoregressive Integrated Moving Average (SARIMA). Data yang digunakan adalah kunjungan wisatawan dari berbagai negara ke beberapa kota utama di Indonesia. Hasil analisis menunjukkan bahwa model SARIMA (1,1,1)(1,1,1,12) memberikan performa terbaik untuk prediksi jumlah wisatawan dengan pola musiman yang konsisten. Model ini menunjukkan akurasi yang tinggi, terutama pada beberapa pasangan kota dan kebangsaan tertentu. Tiga pasangan dengan nilai Mean Absolute Error (MAE) terkecil adalah wisatawan asal Vietnam di Medan dengan MAE sebesar 85,24, wisatawan Australia di Surabaya dengan MAE 756,971, dan wisatawan Filipina di Yogyakarta dengan MAE 411,736. Hasil ini menunjukkan bahwa model SARIMA (1,1,1)(1,1,1,12) dapat menjadi pilihan yang efektif untuk memprediksi jumlah kunjungan wisatawan mancanegara di Indonesia, khususnya untuk kebangsaan dan kota yang memiliki pola kunjungan yang stabil.
PENGENALAN TULISAN KARAKTER MANDARIN (HANZI) DENGAN MENGGUNAKAN METODE EFFICIENTDET Roberto Davin; Chairisni Lubis; Tony
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 1 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i1.32853

Abstract

In today's era of globalization and digitalization, the need to understand and recognize language differences is becoming increasingly important, especially with the increasing cross-cultural interactions. Mandarin, as the second international language, one of the languages ​​of the United Nations (UN), and one of the languages ​​with the largest number of native speakers in the world, has a complex writing system consisting of thousands of characters called Hanzi. Each of these characters not only represents a sound but also a specific meaning, making the recognition of Mandarin characters a challenge. In this study, a system was developed to recognize 200 Chinese characters using the EfficientDet method, an object detection model developed by researchers from Google Research. EfficientDet is known for its efficiency in detecting objects with high accuracy while maintaining fast processing speed. In conclusion, the system obtained overall mAP results of 58%, mAR 42.64%, IoU 49.18%, precision 75%, recall 64%, and F1-score 65%.
PENDETEKSIAN KESALAHAN KETIK DENGAN DAMERAU-LEVENSHTEIN DISTANCE DAN TRIE James Tirta Halim; Lely Hiryanto; Irvan Lewenusa
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 1 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i1.32854

Abstract

Typographical errors are commonly found in text. Many applications implement a spell checking feature to detect and correct typographical errors. Spell checking requires an algorithm to calculate the similarity of two strings. This study compares Damerau-Levenshtein Distance and Trie in checking and correcting typographical errors in the names of function calls in source code based on the processing time and accuracy of the spelling correction. Accuracy is calculated by classifying the results of the spelling correction in a Confusion Matrix. This study shows that Trie is faster than Damerau-Levenshtein Distance, in which Trie’s processing time took 10.07% of Damerau-Levenshtein Distance’s. However, Damerau-Levenshtein Distance can correct more types of typographical errors than Trie, yielding an accuracy of 89.7% compared to 45.71%.
PREDIKSI PASIEN KANKER PARU-PARU MENGGUNAKAN METODE K-NEAREST NEIGHBORS, DECISION TREE, DAN NAIVE BAYES Yosia Amadeus Ishak; Manatap Dolok Lauro
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 1 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i1.32855

Abstract

This research aims to determine the application performance of the K-Nearest Neighbors (KNN), Decision Tree, and Naive Bayes methods in predicting lung cancer patients. Lung cancer is a deadly disease that is often difficult to detect in its early stages. Therefore, the development of accurate and efficient prediction models has a significant impact in early diagnosis and improving patient survival rates. This research yields a deeper understanding of the performance of these methods in the context of lung cancer prediction. The dataset used includes information such as age, gender, and other medical history of the lung cancer patients observed. Experimental results show that Decision Tree has the highest accuracy, followed by KNN and Naive Bayes. However, these three methods provide valuable contributions in the context of lung cancer prediction. These findings can be a basis for further development in the field of cancer diagnosis and provide valuable insights for medical practitioners and researchers in efforts to improve the effectiveness of early lung cancer detection.
PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK PREDIKSI TINGKAT RISIKO IBU HAMIL Jefri Jaya
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 1 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i1.32856

Abstract

Risiko yang dialami pada ibu hamil merupakan hal yang harus diperhatikan serius karena risiko tersebut dapat mempengaruhi kesehatan pada ibu dan janin bahkan dapat menyebabkan kematian. Oleh karena itu dilakukan perbandingan hasil evaluasi klasifikasi tingkat risiko pada ibu hamil dengan menggunakan algoritma XGB, SVM, DT dan menggunakan teknik resampling data RUS, ROS dan SMOTE untuk menentukan model dan teknik resampling yang baik. Hasil evaluasi rata - rata dari ketika sebelum dan sesudah menggunakan teknik resampling bahwa model XGB memiliki hasil accuracy 0.827, sedangkan pada model DT memiliki hasil accuracy 0.767, kemudian model SVM memiliki hasil accuracy 0.722. Sehingga dari perbandingan hasil evaluasi dapat disimpulkan bahwa model XGB memberikan hasil yang lebih baik dari model DT dan SVM. Sedangkan pada implementasi teknik resampling data ROS dan SMOTE memberikan hasil evaluasi yang baik untuk metode XGB kemudian SMOTE memberikan hasil yang baik untuk DT namun semua teknik resampling tidak memberikan hasil yang baik untuk model SVM.
KLASIFIKASI TWEET CYBERBULLYING DENGAN MENGGUNAKAN ALGORITMA SVM DAN XGBOOST Felix Fernando
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 1 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i1.32857

Abstract

Penelitian ini bertujuan untuk melakukan klasifikasi tweet cyberbullying dengan menggunakan dua pendekatan machine learning yaitu algoritma SVM dan XGBoost. Data input yang digunakan untuk analisis merupakan hasil pengambilan data tweet secara acak yang telah dilabelkan, dilakukan ekstraksi fitur dan pelatihan model menggunakan kedua algoritma tersebut. Hasil eksperimen menunjukkan bahwa XGBoost memberikan kinerja yang sedikit lebih unggul dalam mengklasifikasikan tweet cyberbullying dibandingkan SVM. Temuan ini memberikan kontribusi dalam pengembangan metode klasifikasi untuk mendeteksi cyberbullying di media sosial sehingga dapat membantu dalam memitigasi dampak negatif dari cyberbullying. Penelitian ini juga menunjukkan potensi penggunaan algoritma XGBoost dalam konteks deteksi cyberbullying di platform media sosial seperti Twitter.
MANAJEMEN PROYEK PERANCANGAN SISTEM INFORMASI UNTUK PENJUALAN ALAT KESEHATAN Asep Darmawan; Dedi Trisnawarman; Agus Budi Dharmawan
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 1 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i1.32858

Abstract

This research aims to ensure the successful completion of an information system design project for the sale of medical devices by CV Star Ayres Indonesia, a company involved in medical device distribution. Utilizing project management theories such as Work Breakdown Structure, Gantt Chart, Network Diagram, Critical Path Method, PERT Diagram, Risk Management, and Cost Management, the study focuses on identifying, planning, organizing, controlling, and evaluating the project. The analysis reveals that the project will take approximately 211 days, as determined by network diagram calculations using the Critical Path Method and PERT Diagram, considering potential risks. Additionally, the estimated cost for the project is Rp. 69,884,000, covering labor, transportation, hosting, printing, consumption, and other administrative expenses.
MEMPREDIKSI PRODUCTIVITY SCORE BERDASARKAN HOURS PER WEEK Fabian Darrell Widyadhana Reswara
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 1 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i1.32859

Abstract

Individual productivity is an important indicator in assessing performance both in the work and educational environment. This research aims to predict productivity scores based on the hours per week variable, namely the number of hours a person spends working per week. Using several approaches using regression methods, we explore the relationship between the number of hours worked per week and productivity levels. The dataset used in this research was taken from Kaggle. The best prediction accuracy is found in the SVR RBF algorithm using training data and test data of 70%:30% and this data is most suitable using SVR RBF using training data and test data of 70%:30%. This research provides insight into the optimal limits of working hours that can support productivity. The best MAE value is using the Linear SVR algorithm with training data and test data of 70%:30% of 8.801. A good RMSE value using the SVR RBF algorithm with training data and test data of 70%:30% is 11.391. The best R2 value is found in SVR RBF with training data and test data of 70%:30% of 0.062. The worst performance, worst prediction accuracy, and least suitable data use the SVR RBF algorithm with training data and test data 50%:50%. The MAE value that has poor performance is the SVR RBF algorithm with training data and test data of 50%:50% of 10.286. The RMSE value which has poor performance uses the SVR RBF algorithm with training data and test data of 50%:50% with a value of 13.046. The R2 value that has poor performance is the SVR RBF algorithm with training data and test data of 50%:50% with a value of 0.017.

Page 81 of 94 | Total Record : 937

 79   80   81   82   83 

Filter by Year

2013 2026


Reset
Filter By Issues
All Issue Vol. 14 No. 1 (2026): Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (2025): Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 1 (2025): Jurnal Ilmu Komputer dan Sistem Informasi Vol. 12 No. 2 (2024): Jurnal Ilmu Komputer dan Sistem Informasi Vol. 12 No. 1 (2024): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol. 11 No. 2 (2023): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol. 11 No. 1 (2023): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol. 10 No. 2 (2022): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol 10, No 1 (2022): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol. 10 No. 1 (2022): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol 9, No 2 (2021): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol. 9 No. 1 (2021): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol 9, No 1 (2021): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol 8, No 2 (2020): Jurnal Ilmu Komputer dan Sistem Informasi Vol. 8 No. 2 (2020): Jurnal Ilmu Komputer dan Sistem Informasi Vol 8, No 1 (2020): Jurnal Ilmu Komputer dan Sistem Informasi Vol 7, No 2 (2019): Jurnal Ilmu Komputer dan Sistem Informasi Vol 7, No 1 (2019): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol 6, No 2 (2018): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol 6, No 1 (2018): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol 5, No 2 (2017): Jurnal Ilmu Komputer dan Sistem Informasi Vol 5, No 1 (2017): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI Vol 4, No 2 (2016): Jurnal Ilmu Komputer dan Sistem Informasi Vol 4, No 1 (2016): Jurnal Ilmu Komputer dan Sistem Informasi Vol 3, No 2 (2015): Jurnal Ilmu Komputer dan Sistem Informasi Vol 3, No 1 (2015): Jurnal Ilmu Komputer dan Sistem Informasi Vol 2, No 2 (2014): Jurnal Ilmu Komputer dan Sistem Informasi Vol 2, No 1 (2014): Jurnal Ilmu Komputer dan Sistem Informasi Vol 1, No 2 (2013): Jurnal Ilmu Komputer dan Sistem Informasi Vol 1, No 1 (2013): Jurnal Ilmu Komputer dan Sistem Informasi More Issue