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 
PERBANDINGAN FCM DAN HIERARCHICAL CLUSTERING PADA DATA UBI JALAR INDONESIA Matthew Russel Paul; 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.v13i2.35140

Abstract

Penelitian ini membandingkan performa dua algoritma klasterisasi, yaitu Fuzzy C-Means (FCM) dan Hierarchical Clustering, dalam mengelompokkan data produksi ubi jalar di Indonesia berdasarkan luas panen, produksi, dan produktivitas. Data diperoleh dari situs resmi Kementerian Pertanian Indonesia dan mencakup rentang tahun 2010–2024. Setelah melalui tahap pra-pemrosesan, kedua algoritma diterapkan dan dievaluasi menggunakan metrik Silhouette Score, Davies-Bouldin Index, serta waktu komputasi. Hasil menunjukkan bahwa Hierarchical Clustering dengan metode linkage Ward, Complete, dan Average menghasilkan performa terbaik pada konfigurasi dua klaster dengan nilai Silhouette sebesar 0.9385 dan DBI sebesar 0.3878. Sementara itu, FCM memberikan hasil optimal pada dua klaster dengan Silhouette sebesar 0.9074, DBI 0.6446, dan waktu komputasi tercepat sebesar 0.032 detik. Namun, performa FCM menurun signifikan saat jumlah klaster bertambah. Penelitian ini menunjukkan bahwa Hierarchical Clustering lebih unggul dalam kestabilan dan struktur klaster, sedangkan FCM lebih efisien dalam waktu proses pada jumlah klaster kecil.
PERBANDINGAN FUZZY C-MEANS DAN K-MEANS PADA KLASTERISASI BAWANG MERAH Fawaz; 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.v13i2.35141

Abstract

Penelitian ini bertujuan untuk membandingkan performa algoritma Fuzzy C-Means (FCM) dan K-Means dalam klasterisasi data produksi bawang merah di Indonesia. Pendekatan yang digunakan adalah machine learning berbasis unsupervised clustering, dengan evaluasi kinerja berdasarkan tiga metrik utama: Silhouette Score, Davies-Bouldin Index, dan waktu komputasi. Data produksi dianalisis secara spasial menggunakan koordinat geografis kabupaten/kota dan divisualisasikan dalam bentuk peta klaster dan grafik performa. Hasil eksperimen menunjukkan bahwa FCM memberikan hasil klasterisasi yang lebih akurat dan stabil, terutama pada wilayah dengan karakteristik produksi yang tumpang tindih, sedangkan K-Means lebih unggul dari segi efisiensi waktu komputasi. Visualisasi spasial mengungkapkan pola distribusi produksi yang timpang, dengan Pulau Jawa mendominasi klaster produksi tinggi. Temuan ini menunjukkan bahwa metode klasterisasi cerdas dapat menjadi solusi potensial dalam pengembangan sistem informasi geografis pertanian yang adaptif dan berbasis data.
DETEKSI KELELAHAN MATA BERDASARKAN CITRA WAJAH MRL EYE DATASET DENGAN MENGGUNAKAN GLCM, PCA, DAN SVM Jeremia Pinnywan Immanuel; Eunice Eugenia Karta; Rio Bun Dika
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.v13i2.35145

Abstract

Penelitian ini membahas implementasi metode GLCM, PCA, dan SVM untuk membangun sistem deteksi kelelahan mata berbasis pengolahan citra digital. Meningkatnya penggunaan perangkat elektronik menjadikan kelelahan mata sebagai isu kesehatan yang semakin serius, terutama bagi individu yang bekerja dalam bidang yang memerlukan konsentrasi visual tinggi dalam jangka waktu lama. Untuk menjawab kebutuhan tersebut, penelitian ini menggunakan pendekatan pembelajaran mesin klasik yang dikenal efisien dan ringan dari segi kebutuhan sumber daya, dengan memanfaatkan MRL Eye Dataset berbasis citra inframerah sebagai data utama. Tahapan pemrosesan citra dimulai dengan ekstraksi fitur tekstur menggunakan metode GLCM, yang kemudian direduksi dimensinya menggunakan teknik PCA, dan akhirnya dilakukan klasifikasi oleh algoritma SVM. Sistem ini diuji dalam dua skenario, yaitu dengan dan tanpa keberadaan data outlier. Penyesuaian parameter optimal dilakukan melalui metode Grid Search dan validasi silang menggunakan KFold dengan K = 3. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi kondisi mata “Awake” dan “Sleepy” dengan akurasi tertinggi mencapai 92.38%, serta nilai precision, recall, dan F1-score yang masing-masing mampu memperoleh hasil di atas 92%. Selain itu, waktu eksekusi untuk ekstraksi fitur, pelatihan model, dan prediksi tergolong cepat, sehingga menunjukkan bahwa sistem ini berpotensi untuk diterapkan secara real-time, bahkan pada perangkat dengan spesifikasi perangkat keras yang terbatas.
PERBANDINGAN FUZZY C-MEANS DAN K-MEANS PADA KLASTERISASI KETELA POHON Sandy Permadi Sormin; 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.v13i2.35146

Abstract

Ketela pohon merupakan salah satu komoditas strategis dalam sektor pertanian Indonesia yang tersebar di berbagai wilayah dengan tingkat produktivitas yang bervariasi. Penelitian ini bertujuan untuk membandingkan performa dua algoritma klasterisasi, yaitu K-Means dan Fuzzy C-Means (FCM), dalam mengelompokkan wilayah produksi ketela pohon berdasarkan tiga variabel utama: luas panen, total produksi, dan produktivitas per hektar. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik (BPS) dan Kementerian Pertanian RI untuk periode 2010 hingga 2022. Sebelum dilakukan proses klasterisasi, data melalui tahap pra-pemrosesan seperti pembersihan data, normalisasi menggunakan metode min-max scaling, serta reduksi dimensi dengan Principal Component Analysis (PCA). Proses klasterisasi dilakukan dengan menetapkan jumlah klaster sebanyak tiga, menggunakan kedua algoritma tersebut. Evaluasi performa klaster dilakukan menggunakan metrik Silhouette Score, Davies-Bouldin Index, dan waktu komputasi. Hasil penelitian menunjukkan bahwa algoritma K-Means memiliki nilai Silhouette tertinggi sebesar 0,9341 dan Davies-Bouldin Index terendah sebesar 0,3224, serta waktu komputasi tercepat 0,0066 detik. Di sisi lain, FCM menunjukkan nilai Silhouette terbaik 0,9315 dan Davies-Bouldin Index 0,4896 dengan waktu komputasi minimum 0,0413 detik. Meskipun FCM menawarkan fleksibilitas dalam penanganan data yang bersifat ambigu, K-Means terbukti lebih unggul dalam hal efisiensi dan kualitas pemisahan klaster. Visualisasi hasil klasterisasi dalam bentuk diagram batang dan peta sebar wilayah memperkuat temuan tersebut. Dengan demikian, penelitian ini merekomendasikan penggunaan algoritma K-Means untuk pengelompokan wilayah produksi ketela pohon secara optimal dan efisien.
ANALISIS PENYAKIT JANTUNG DENGAN PCA UNTUK IDENTIFIKASI KESEHATAN KARDIOVASKULAR Sebastian Wibowo; Dillon Majesson; Junardi Chailesia
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.v13i2.35147

Abstract

Tujuan dari penelitian ini membahas analisis data klinis untuk mengidentifikasi risiko penyakit jantung menggunakan metode unsupervised learning. Metode yang digunakan adalah Principal Component Analysis (PCA) untuk reduksi dimensi data numerik, dan K-Medoids Clustering untuk mengelompokkan pasien berdasarkan kemiripan atribut klinis. Dataset heart.csv yang digunakan mencakup variabel numerik dan kategorikal, seperti tekanan darah, kolesterol, jenis kelamin, dan hasil EKG. Outlier dideteksi menggunakan Mahalanobis Distance, kemudian dilakukan clustering pada variabel kontinu dengan PCA dan jarak Euclidean, serta pada variabel diskrit dengan jarak Hamming dan visualisasi t-SNE. Hasil clustering menunjukkan adanya kelompok pasien dengan karakteristik klinis serupa yang mencerminkan tingkat risiko penyakit jantung yang berbeda. Kombinasi PCA dan K-Medoids terbukti efektif untuk mengungkap pola risiko secara visual dan sistematis, sehingga berpotensi mendukung pengambilan keputusan klinis

Page 90 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