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 895 Documents
 86   87   88   89   90 
PREDIKSI HARGA PANGAN JAYAPURA MENGGUNAKAN ELM, LSTM, LIGHTGBM, DAN GB Jeremia Pinnywan Immanuel; Teny Handhayani
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (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.v13i2.35122

Abstract

Ketahanan pangan di wilayah Indonesia Timur menghadapi tantangan dari aspek geografis, fluktuasi harga, dan keterbatasan pasokan. Penelitian ini bertujuan untuk membandingkan empat algoritma pembelajaran mesin, yaitu Extreme Learning Machine (ELM), Long Short-Term Memory (LSTM), LightGBM, dan Gradient Boosting dalam memprediksi harga komoditas pangan strategis di Jayapura. Dataset yang digunakan berupa data deret waktu harga harian enam komoditas pangan yang dikumpulkan dari Januari 2018 hingga April 2025. Tahapan penelitian meliputi pra-pemrosesan data, analisis eksploratif (EDA), pelatihan model, dan evaluasi performa menggunakan metrik MAE, MAPE, RMSE, R², dan waktu pelatihan. Hasil percobaan menunjukkan bahwa ELM merupakan model dengan performa terbaik secara keseluruhan dengan nilai MAE 0.21, MAPE 0.76%, RMSE 0.36, R² 0.87, serta waktu pelatihan rata-rata 4.65 detik. Model LSTM menunjukkan akurasi yang baik namun memiliki waktu pelatihan yang jauh lebih tinggi. LightGBM dan Gradient Boosting memiliki performa keseluruhan yang kurang optimal. Dengan demikian, ELM direkomendasikan sebagai model utama untuk sistem prediksi harga komoditas pangan di Jayapura yang membutuhkan kombinasi antara akurasi dan efisiensi.
PERBANDINGAN ALGORITMA ANN, KNN DAN DECISION TREE UNTUK KLASIFIKASI DELAY AIRLINES Jason Sunaryo; Arethusa Rayhan; Aldo Hartanto; Shinzi; Valeroy Putra Sientika
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (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.v13i2.35124

Abstract

Semakin berkembangnya zaman maka akan semakin canggih pula transportasi yang ada. Salah satu transportasi yang sering digunakan oleh manusia dalam bepergian jarak jauh adalah dengan menaiki pesawat. Namun terkadang ada beberapa kendala yang dialami salah satunya adalah keterlambatan maskapai penerbangan. Keterlambatan maskapai penerbangan tidak hanya menghambat aktivitas penumpang akan tetapi juga merugikan bagi pihak maskapai karena menambah biaya operasional. Oleh karena itu dibutuhkan cara untuk memprediksi apakah suatu penerbangan akan terlambat atau tidak. Pada penelitian ini akan mencoba untuk memprediksi keterlambatan dengan menggunakan 3 algoritma yaitu ANN, Decision Tree, KNN. Data yang digunakan pada penelitian ini berjumlah sebanyak 539383. Hasil yang didapatkan dari penelitian ini menunjukkan bahwa algoritma yang paling cocok untuk dataset ini adalah algoritma Decision Tree dengan rata-rata akurasi sebesar 62.5%.
KLASIFIKASI SPESIES KUPU-KUPU MENGGUNAKAN CNN DENGAN REDUKSI DIMENSI PCA Bovilius Meidi; Jovandi Todana; Adidtiya Kurniawan
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (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.v13i2.35125

Abstract

Kupu-kupu memiliki peran dalam menjaga keseimbangan ekosistem sekaligus menjadi indikator kualitas lingkungan hidup. Penurunan populasi kupu-kupu di wilayah perkotaan menjadi latar belakang pengembangan sistem klasifikasi spesies berbasis citra digital guna mendukung edukasi dan konservasi. Penelitian ini mengusulkan metode klasifikasi spesies kupu-kupu menggunakan kombinasi Convolutional Neural Network (CNN) dan Principal Component Analysis (PCA). Dataset yang digunakan diambil dari Kaggle dengan total 80 spesies, namun difokuskan pada 5 spesies untuk eksperimen, yaitu Monarch, Painted Lady, Peacock, Question Mark, dan Red Admiral. Proses pra-pemrosesan dilakukan dengan Sobel Edge Detection untuk menonjolkan kontur morfologi, sedangkan fitur tekstur diekstraksi menggunakan Gray Level Co-Occurrence Matrix (GLCM). Reduksi dimensi dengan PCA diterapkan sebelum proses klasifikasi menggunakan Support Vector Machine (SVM). Hasil pengujian menunjukkan bahwa metode CNN dengan input gambar hasil Sobel mencapai akurasi tertinggi sebesar 75,21%. Sementara itu, kombinasi metode SOBEL + PCA + SVM menghasilkan akurasi 58,76%, dan kombinasi GLCM + PCA + SVM menghasilkan akurasi 40,07%. Metode hybrid Sobel + GLCM + PCA + SVM memberikan akurasi terendah di antara pendekatan non-deep learning yaitu 23,07%. Temuan ini menunjukkan bahwa pendekatan CNN memberikan akurasi terbaik, sedangkan kombinasi GLCM, Sobel, PCA, dan SVM menawarkan solusi klasifikasi yang lebih efisien tetapi mengurangi berbagai fitur utama dalam klasifikasi.
PERANCANGAN WEBSITE KATERING SEHAT UNTUK MENINGKATKAN POLA MAKAN MASYARAKAT Vanessa Simanta; Love Hillary Swigo; Fortuna Arleo Sahara; Irvan Lewenusa
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (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.v13i2.35126

Abstract

Di era digital yang terus berkembang, akses masyarakat terhadap internet semakin luas dan mudah. Efisiensi teknologi menciptakan pola hidup yang kurang sehat, di mana masyarakat cenderung malas berolahraga dan mengonsumsi makanan tidak sehat. Kondisi ini menimbulkan isu kesehatan yang signifikan. Sebagai solusi, dikembangkan website katering makanan sehat yang memudahkan masyarakat dalam mengakses, memesan, dan membayar makanan sehat. Karyawan juga dimudahkan dalam pengelolaan menu dan pesanan serta dapat meminimalkan kesalahan kerja. Sistem ini dikembangkan menggunakan pendekatan Agile Software Development dengan metode Scrum, yang mendukung proses pengembangan perangkat lunak secara iteratif dan kolaboratif. Website dibangun dengan HTML, CSS, JavaScript, Node.js, serta menggunakan framework Bootstrap dan React JS. PostgreSQL digunakan sebagai basis data, dan pengujian dilakukan dengan metode blackbox testing. Deployment dilakukan melalui platform DigitalOcean. Hasil dari pengembangan ini adalah sebuah website yang berfungsi dengan baik dan diharapkan dapat menjadi solusi bagi permasalahan pola hidup tidak sehat di masyarakat.
PENGELOMPOKAN NEGARA BERDASARKAN INDIKATOR PEMBANGUNAN GLOBAL MENGGUNAKAN METODE PCA DAN CLUSTERING K-MEANS TAHUN 2000-2020 Mika Valentino; Yosia Sipahutar; Muhammad Farhan
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (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.v13i2.35130

Abstract

Penelitian ini bertujuan untuk mengelompokkan negara-negara di dunia berdasarkan indikator pembangunan global dengan menggunakan metode Principal Component Analysis (PCA) dan K-Means Clustering. Data yang digunakan bersumber dari Global Development Indicators tahun 2000–2020 yang mencakup dimensi ekonomi, sosial, dan digital. Tahapan analisis diawali dengan pra-pemrosesan data, termasuk interpolasi dan imputasi nilai hilang, standarisasi menggunakan Z-score, serta transformasi arah untuk variabel berdampak negatif. PCA diterapkan untuk mereduksi kompleksitas data, menghasilkan dua komponen utama (PC1 dan PC2) yang menjelaskan lebih dari 80% variansi data. Selanjutnya, K-Means digunakan untuk melakukan clustering, dengan evaluasi melalui silhouette coefficient yang menunjukkan nilai optimal sebesar 0,71 pada empat klaster. Hasil analisis menunjukkan bahwa kombinasi PCA dan K-Means efektif dalam mengidentifikasi pola pembangunan global dan mengelompokkan negara berdasarkan karakteristik pembangunan yang serupa. Temuan ini dapat digunakan sebagai dasar dalam penyusunan kebijakan pembangunan dan strategi kerja sama internasional yang lebih terarah.
PEMANFAATAN METODE GLCM, PCA, DAN SVM UNTUK KLASIFIKASI MUTU WORTEL Eilleen; Raymond Euginio Kent Sanjaya; Jocelyn Novia
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (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.v13i2.35132

Abstract

Kualitas wortel merupakan faktor krusial dalam industri pertanian, namun metode penilaian manual yang umum digunakan bersifat subjektif dan tidak konsisten. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi mutu wortel otomatis berbasis citra digital untuk mengatasi masalah tersebut. Metode yang digunakan mengintegrasikan Gray Level Co-occurrence Matrix (GLCM) untuk ekstraksi fitur tekstur, Principal Component Analysis (PCA) untuk reduksi dimensi, dan Support Vector Machine (SVM) dengan kernel RBF untuk klasifikasi. Sistem diuji menggunakan dataset 409 citra yang terbagi dalam tiga kelas: segar, kurang segar, dan busuk. Hasil pengujian menunjukkan sistem mencapai akurasi keseluruhan sebesar 90,54%. Model menunjukkan performa sangat baik pada kelas segar (akurasi 96,6%) dan busuk (akurasi 93,5%), namun performanya lebih rendah pada kelas kurang segar (akurasi 71,4%) yang bersifat transisi. Kombinasi metode yang diusulkan terbukti efektif dan memiliki potensi untuk diterapkan dalam sistem sortir otomatis di industri pertanian.
PERBANDINGAN EFEKTIVITAS ALGORITMA K-MEANS DAN FUZZY C-MEANS UNTUK CLUSTERING DATA PRODUKSI ALPUKAT DI INDONESIA Duncan Ariel; Teny Handhayani
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (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.v13i2.35133

Abstract

Penelitian ini bertujuan untuk membandingkan performa algoritma K-Means dan Fuzzy C-Means (FCM) dalam proses klasterisasi data produksi alpukat di Indonesia. Metode yang digunakan adalah pendekatan machine learning berbasis unsupervised clustering, di mana data produksi nasional—mencakup volume produksi, luas panen, dan produktivitas—dianalisis untuk mengidentifikasi pola kewilayahan. Kinerja kedua algoritma diuji dan divalidasi menggunakan metrik evaluasi Silhouette Score, Davies-Bouldin Index, dan waktu komputasi. Hasil eksperimen menunjukkan bahwa kedua algoritma secara konvergen menemukan 2 sebagai jumlah klaster yang paling optimal dengan skor evaluasi yang superior. Namun, perbandingan lebih lanjut menunjukkan bahwa algoritma K-Means memiliki keunggulan signifikan dalam hal efisiensi waktu komputasi dan robustisitas model yang lebih baik , sedangkan Fuzzy C-Means membutuhkan waktu proses yang lebih lama. Analisis spasial juga berhasil memetakan wilayah produksi dan mengonfirmasi konsentrasi klaster produksi tinggi di Pulau Jawa. Temuan ini merekomendasikan K-Means sebagai metode yang lebih pragmatis untuk klasterisasi data produksi alpukat skala besar.
KLASIFIKASI TINGKAT KEMATANGAN PISANG DENGAN METODE HSV, GLCM, PCA, SVM  Aaron Sebastian; Vivian; Joshua Atmadjaya
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (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.v13i2.35134

Abstract

Penelitian ini bertujuan untuk mengklasifikasi tingkat kematangan pisang secara otomatis menggunakan kombinasi metode HSV, GLCM, PCA dan SVM. Proses dimulai dengan pengambilan citra pisang dari kaggle yang dibagi menjadi 4 jenis kematangan, yaitu sangat matang, matang, busuk dan mentah. Fitur warna diekstrak menggunakan metode HSV, sedangkan fitur tekstur diambil melalui metode GLCM. Fitur-fitur ini selanjutnya direduksi dimensinya menggunakan PCA untuk meningkatkan efisiensi dalam klasifikasi. Langkah terakhir adalah melakukan klasifikasi dengan algoritma SVM. Penelitian ini membuat beberapa perbandingan pada hasil eksperimen yaitu proporsi 60% data pelatihan dan 40% data pengujian, proporsi 70% data pelatihan dan 30% data pengujian, dan proporsi 80% data pelatihan dan 20% data pengujian. Hasil eksperimen pada proporsi 80% data pelatihan dan 20% data pengujian menunjukkan hasil performa tertinggi dan paling optimal. Temuan ini memiliki potensi untuk diterapkan dalam sektor pertanian guna mendukung proses penyebaran buah secara otomatis dan efisien.
PERBANDINGAN BISECTING K-MEANS DAN HIERARCHICAL CLUSTERING PADA DATA CABAI RAWIT Julius Juan; Teny Handhayani
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (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.v13i2.35137

Abstract

Pengelompokan data merupakan salah satu pendekatan penting dalam analisis data baik di bidang pertanian maupun lainnya, untuk menemukan sebuah pola tertentu yang bermanfaat dalam menentukan keputusan. Penelitian ini bertujuan untuk membandingkan kinerja dari dua model klasterisasi yaitu Bisecting K-Means dan Hierarchical Clustering menggunakan data cabai rawit. Selain itu, data yang digunakan dibedakan menjadi 3 kelompok yaitu data luas panen, produksi, dan produktivitas dari komoditas cabe rawit Indonesia berdasarkan data yang didapatkan dari situs Basis Data Statistik Pertanian (BDSP) tahun 2010–2024 dengan total 515 sampel data dari berbagai provinsi di Indonesia. Metode yang digunakan untuk menganalisis data pada penelitian ini adalah Klasterisasi atau Clustering yang merupakan salah satu bagian dari Unsupervised Learning. Untuk evaluasinya, dilakukan dengan menguji jumlah klaster mulai dari 2 hingga 10 menggunakan tiga nilai metrik yaitu Silhouette Score, Davies-Bouldin Index, dan waktu komputasi. Hasil dari penelitian ini, menunjukkan model Bisecting K-Means menghasilkan Silhouette Score tertinggi sebesar 0,9258 dan Davies-Bouldin Index sebesar 0,9698 pada klaster ke-2, namun membutuhkan waktu komputasi 1,6022 detik. Sedangkan model Hierarchical Clustering, menghasilkan Silhouette score terbaik sebesar 0,9100 dan Davies-Bouldin Index sebesar 0,8714 pada klaster ke-3 dengan waktu komputasi yang lebih cepat (0,0265 detik) dibandingkan model Bisecting K-Means. Dengan demikian, model Hierarchical Clustering memiliki keunggulan dari sisi waktu komputasi yang sangat cepat, sementara model Bisecting K-Means cenderung menghasilkan klaster yang lebih terpisah secara struktur dengan nilai evaluasi yang tinggi. Berdasarkan hasil tersebut, walaupun model Bisecting K-Means memiliki nilai evaluasi yang tinggi, namun model Hierarchical Clustering menunjukkan lebih sesuai digunakan dalam konteks analisis spasial dan pertanian berbasis data yang memerlukan hasil cepat dan akurat.
KLASIFIKASI DAUN TEBU MENGGUNAKAN PENDEKATAN BERBASIS GRAYSCALE, PCA DAN SVM Hengky Wisianto; Hizkia Rahuel Anglie; Alfian Effendi
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (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.v13i2.35138

Abstract

Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem klasifikasi otomatis terhadap empat kategori kondisi daun tebu yaitu healthy, rust, redrot, dan yellow menggunakan dataset sebanyak 800 citra. Metodologi dimulai dengan pra-pemrosesan berupa resizing dan konversi grayscale. Untuk mengatasi dimensi fitur yang tinggi, digunakan Principal Component Analysis (PCA) untuk mereduksi dimensi dengan mempertahankan 98% variansi. Data hasil reduksi kemudian diklasifikasikan menggunakan Support Vector Machine (SVM) kernel linear. Hasil eksperimen menunjukkan akurasi tertinggi diperoleh saat pelatihan menggunakan 80% data dengan nilai akurasi 81,76%. Namun demikian, kategori tertentu seperti healthy dan yellow mengalami penurunan akurasi yang signifikan. Kelemahan utama dari model ini adalah hilangnya informasi warna akibat konversi grayscale. Oleh karena itu, meskipun model menunjukkan performa baik dalam kasus tertentu, pendekatan ini memiliki keterbatasan dalam membedakan gejala penyakit berbasis warna.

Page 89 of 90 | Total Record : 895

 86   87   88   89   90 

Filter by Year

2013 2025


Reset
Filter By Issues
All Issue 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