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
 90   91   92   93   94 
Indonesia Michael Angelo Jordan; Viny Christanti Mawardi, S.Kom., M.Kom.
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): 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/txra4188

Abstract

Analisis sentimen merupakan salah satu penerapan Natural Language Processing (NLP) yang digunakan untuk mengidentifikasi opini atau emosi seseorang terhadap suatu objek, produk, atau layanan. Dalam penelitian ini, dilakukan analisis sentimen terhadap ulasan film pada dataset IMDb dengan tujuan untuk mengklasifikasikan ulasan menjadi sentimen positif atau negatif. Metode yang digunakan adalah N-Gram sebagai teknik ekstraksi fitur teks dan Logistic Regression sebagai algoritma klasifikasi. Proses diawali dengan pra-pemrosesan teks yang mencakup case folding, penghapusan stopwords, dan lemmatization menggunakan WordNetLemmatizer. Selanjutnya, data direpresentasikan menggunakan TF-IDF (Term Frequency–Inverse Document Frequency) dengan kombinasi N-Gram (1–3) untuk menangkap konteks kata berurutan. Hasil pengujian menunjukkan bahwa model yang dihasilkan memiliki tingkat akurasi sebesar 83%, dengan performa yang baik dalam mendeteksi sentimen positif maupun negatif. Meskipun demikian, model masih memiliki keterbatasan dalam memahami konteks kalimat negasi seperti “not bad” atau “no good”.
Perbandingan Prediksi Harga Closing Saham BCA Menggunakan ADABoost, XGBoost, CATBoost Jason Wiedardi Limtara; Wilson Alfando; Ricky Cangniago; Aurellius Jeremiah Thomas; Teny Handayani
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): 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/m9nf7804

Abstract

Penelitian ini membandingkan kinerja tiga algoritma boosting, yaitu AdaBoost, XGBoost, dan CatBoost, dalam memprediksi harga penutupan saham Bank Central Asia (BBCA). Tujuan dari penelitian ini adalah untuk menentukan algoritma mana yang memberikan model paling akurat dan efisien dalam hal akurasi prediksi, waktu komputasi, dan pemanfaatan sumber daya. Dataset yang digunakan terdiri dari data historis saham BCA, termasuk fitur seperti opening price, high, low, volume, dan previous closing prices. Metodologi penelitian meliputi data preprocessing, feature selection, pembagian data menjadi training set dan testing set, serta pelatihan model menggunakan masing-masing algoritma dengan hyperparameter tuning. Hasil eksperimen menunjukkan bahwa AdaBoost mencapai kinerja keseluruhan terbaik, memberikan akurasi prediksi tertinggi dan hasil yang stabil dengan waktu komputasi yang relatif lebih rendah dibandingkan dengan XGBoost dan CatBoost.
Indonesia Valentino Richardo Lim; Teny Handayani; Irvan Lewenusa
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/322cr596

Abstract

Disparitas pembangunan antarwilayah di Indonesia, yang tercermin dari perbedaan nilai Indeks Pembangunan Manusia (IPM), Angka Harapan Hidup (AHH), dan Pengeluaran per Kapita, menjadi tantangan dalam pencapaian Tujuan Pembangunan Berkelanjutan (SDGs). Diperlukan analisis yang mendalam untuk memetakan karakteristik wilayah guna mendukung perumusan kebijakan yang tepat sasaran. Penelitian ini bertujuan untuk merancang sebuah aplikasi sistematis yang mampu melakukan pengelompokan (clustering) wilayah berdasarkan indikator pembangunan tersebut. Algoritma K-Means tradisional memiliki kelemahan dalam penentuan jumlah klaster dan sensitivitas terhadap inisialisasi centroid. Oleh karena itu, aplikasi ini dirancang untuk mengimplementasikan algoritma Intelligent K-Means (IK-Means) yang mampu menentukan jumlah klaster optimal secara otomatis, dan DBSCAN yang unggul dalam mendeteksi klaster berbasis kepadatan serta menangani pencilan (outlier). Proses perancangan aplikasi ini menggunakan metodologi Software Development Life Cycle (SDLC) model Waterfall untuk memastikan pengembangan yang terstruktur dan runut. Sistem ini dibangun sebagai aplikasi web interaktif menggunakan Python dengan framework Streamlit. Aplikasi yang dihasilkan mampu memfasilitasi pengguna untuk mengunggah data (file .xlsx), melakukan proses clustering, dan memvisualisasikan hasilnya secara interaktif, termasuk melalui peta geografis menggunakan library Folium. Aplikasi ini diharapkan dapat menjadi alat bantu yang efektif bagi pemangku kepentingan dalam menganalisis dan mengurangi kesenjangan pembangunan di Indonesia.
Indonesia Justin Salim; Jonathan; Devin Saputra Wijaya
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): 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/qx19at85

Abstract

Machine learning semakin penting di era modern karena kemampuannya menghasilkan prediksi hanya dengan mengolah data. Penelitian ini bertujuan untuk memprediksi kemampuan squat atlet powerlifting pria menggunakan dua algoritma pembelajaran mesin, yaitu XGBoost dan LightGBM. Kedua algoritma dipilih karena keduanya mampu menangani data berukuran besar dengan variabel prediktor yang kompleks. Data yang digunakan mencakup informasi fisik atlet, catatan performa squat, bench press, deadlift, serta variabel terkait kompetisi. Metode penelitian meliputi tahap pra-pemrosesan data, pembagian data ke dalam set pelatihan dan pengujian, penerapan algoritma XGBoost dan LightGBM, serta evaluasi performa model. Evaluasi dilakukan menggunakan metrik root mean square error (RMSE), koefisien determinasi (R²), dan mean absolute error (MAE). Hasil penelitian menunjukkan bahwa kedua algoritma mampu memberikan performa prediksi yang baik, dengan XGBoost lebih unggul dalam tingkat kinerja prediksi yang lebih tinggi dibandingkan dengan LightGBM.
Indonesia Jason Permana; Rakha Naufal Sujana; Kane Pradipa Komala; Benny Dwiyanto
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/7nbfrp18

Abstract

Harga cabai rawit merah di Kota Tasikmalaya sering mengalami fluktuasi yang tajam dari waktu ke waktu. Ketidakstabilan harga ini menimbulkan ketidakpastian bagi petani, pedagang, dan konsumen, sehingga diperlukan model prediksi yang andal untuk mendukung pengambilan keputusan. Penelitian ini bertujuan membandingkan kinerja tiga algoritma machine learning berbasis ensemble, yaitu Light Gradient Boosting Machine (LGBM), Random Forest, dan Extreme Gradient Boosting (XGBoost), dalam memprediksi harga harian cabai rawit merah. Data yang digunakan berupa deret waktu univariat dari Pusat Informasi Harga Pangan Nasional (PIHPS) periode 1 Januari 2020 hingga 30 September 2025. Metode sliding window dengan jendela 30 hari digunakan untuk memprediksi harga pada hari berikutnya, dengan tuning hyperparameter menggunakan GridSearchCV dan validasi silang TimeSeriesSplit. Evaluasi dilakukan menggunakan MAE, RMSE, MAPE, dan R² pada tiga skenario pembagian data (60:40, 70:30, dan 80:20). Hasil penelitian menunjukkan bahwa ketiga model memiliki nilai R² di atas 0.97. LGBM unggul pada metrik MAPE (sekitar 2.6%) dan memiliki waktu pelatihan GridSearchCV tercepat, yaitu rata-rata 149.09 detik, dibandingkan XGBoost sebesar 766.16 detik dan Random Forest sebesar 1085.83 detik. Dengan mempertimbangkan akurasi dan efisiensi, LGBM dinilai sebagai model paling optimal untuk studi kasus ini.
Indonesia Given Putra; Tony
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/1csahv39

Abstract

Polusi udara merupakan krisis kesehatan global, dengan PM2.5 sebagai polutan paling berbahaya yang berkontribusi pada 8,1 juta kematian pada tahun 2021. Di Indonesia, yang merupakan salah satu negara dengan polusi PM2.5 tertinggi, masih terdapat kesenjangan antara ketersediaan data kualitas udara dan manfaatnya bagi masyarakat. Alat pemantau yang ada seringkali hanya menyajikan data saat itu, bukan prediksi yang dibutuhkan untuk tindakan preventif. Penelitian ini bertujuan untuk merancang antarmuka aplikasi prediksi PM2.5 yang dapat diterima dan mudah digunakan oleh masyarakat umum. Metode perancangan yang digunakan adalah software development life cycle dengan model waterfall. Proses desain awal dilakukan menggunakan Figma, sedangkan implementasi antarmuka dikembangkan menggunakan framework Streamlit dengan bahasa pemrograman Python. Hasil realisasi mengubah desain awal yang terdiri dari empat halaman (dashboard, information, evaluation, about) menjadi tiga halaman fungsional: prediksi, validasi, dan tentang. Pengujian dilakukan menggunakan metode black box testing dan menghasilkan luaran sesuai ekspektasi yang diinginkan. Antarmuka yang dihasilkan ini dirancang untuk menyajikan data prediksi yang kompleks dalam format yang mudah dipahami, guna membantu meningkatkan kesadaran publik akan bahaya PM2.5.
Indonesia Gabriel Nathanael Irawan; Teny Handayani; Irvan Lewenusa
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/1kz3ap21

Abstract

Penelitian ini bertujuan untuk melakukan pengelompokan terhadap kabupaten/kota di Indonesia berdasarkan empat indikator utama ketahanan pangan, yaitu Indeks Ketahanan Pangan (IKP), Skor Pola Pangan Harapan (PPH), Rasio Angka Kecukupan Energi (AKE), dan Rasio Angka Kecukupan Protein (AKP) pada peridoe 2021-2023. Keempat indikator tersebut digunakan untuk menggambarkan kondisi ketersediaan, keragaman, dan kecukupan pangan di setiap wilayah Indonesia. Hasil pengujian menunjukkan bahwa algoritma Spectral Bridges memberikan performa terbaik pada jumlah cluster dua, dengan nilai silhouette sebesar 0,62 dan Davies-bouldin Index (DBI) sebesar 0,53. Nilai tersebut mengindikasikan bahwa metode ini mampu mengelompokkan wilayah dengan karakteristik ketahanan pangan yang akurat, terpisah dengan baik antar clusternya, serta memberikan hasil yang stabil dan dapat menjadi representatif wilayah ketahanan pangan Indonesia.
Indonesia Hans Santoso; Sabrina Phalosa Phai; Sarah Barbara; Maryanto
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): 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/vqd3yd53

Abstract

Penelitian ini bertujuan untuk menentukan model machine learning paling efektif untuk klasifikasi lingkungan tektonik (tectonic setting) berdasarkan komposisi geokimia. Menggunakan dataset dari database GEOROC, tiga algoritma gradient boosting XGBoost, LightGBM, dan CatBoost diuji melalui beberapa skenario, termasuk pembagian data 70:30 dan 80:20. Model dengan kinerja terbaik kemudian dioptimalkan menggunakan Grid Search Cross-Validation (GridSearchCV). Hasil menunjukkan bahwa model LightGBM, setelah melalui proses hyperparameter tuning pada skenario 80:20, mencapai performa tertinggi dengan akurasi 80,87%. Analisis kepentingan fitur (feature importance) lebih lanjut mengidentifikasi bahwa Al₂O₃ (Aluminium Oksida), Na₂O (Natrium Oksida), dan FeOT (Besi Oksida Total) merupakan tiga prediktor paling signifikan. Studi ini membuktikan bahwa LightGBM adalah pendekatan yang superior dan andal untuk tugas klasifikasi geokimia otomatis.
Indonesia Gavriel Joseph Lim; Jason Chainara Putra; Paulina Agusia; Marcia Yanprincessa Utama
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/03ch2p08

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naive Bayes, Random Forest, dan XGBoost dalam mengklasifikasikan kualitas air budidaya perikanan. Kualitas air merupakan faktor penting dalam menjaga kesehatan organisme akuatik serta mengoptimalkan produktivitas akuakultur. Penelitian ini menggunakan dataset yang mencakup beberapa parameter, seperti pH, suhu, oksigen terlarut, salinitas, dan kekeruhan, yang digunakan sebagai fitur masukan untuk memprediksi kelas kualitas air secara keseluruhan. Data dibagi menjadi dua bagian, yaitu data pelatihan dan data pengujian. Hasil eksperimen menunjukkan bahwa algoritma Random Forest mencapai akurasi klasifikasi tertinggi sekaligus waktu pemrosesan tercepat dibandingkan dengan XGBoost dan Naive Bayes. Algoritma XGBoost menghasilkan performa yang kompetitif dengan sensitivitas yang sedikit lebih tinggi terhadap variasi data, sedangkan Naive Bayes menunjukkan efisiensi komputasi yang tinggi namun dengan akurasi yang lebih rendah. Secara keseluruhan, Random Forest memberikan kinerja yang paling konsisten dan akurat dalam mengklasifikasikan kualitas air budidaya, sehingga dinilai paling cocok untuk diterapkan pada sistem pemantauan kualitas air secara real-time.
PERBANDINGAN SENTIMEN PENGGUNA SHOPEE DAN TOKOPEDIA MENGGUNAKAN NAÏVE BAYES Grace Apriliani Puteri Santoso; Dedi Trisnawarman; Agus Budiyantara
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 14 No. 1 (2026): 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/jpxyg121

Abstract

Pertumbuhan pesat ekosistem e-commerce di Indonesia menjadikan ulasan pengguna pada Google Play Store salah satu sumber data penting untuk membaca persepsi dan pengalaman pengguna secara langsung. Penelitian ini bertujuan menganalisis serta membandingkan sentimen ulasan pengguna terhadap aplikasi Shopee dan Tokopedia dengan menggunakan pendekatan klasifikasi Naïve Bayes. Data ulasan dikumpulkan dari halaman Google Play kedua aplikasi, kemudian diproses melalui tahapan prapemrosesan teks, meliputi pembersihan karakter, case folding, penghapusan stopword, dan stemming. Fitur teks direpresentasikan menggunakan Term Frequency Inverse Document Frequency (TF-IDF) dan diklasifikasikan ke dalam label sentimen positif, negatif, dan netral. Kinerja model dinilai menggunakan metrik akurasi, presisi, recall, dan F1-score, sedangkan perbedaan pola sentimen antara Shopee dan Tokopedia dianalisis berdasarkan distribusi kelas dan hasil klasifikasi yang dihasilkan. Temuan penelitian ini memberikan gambaran kuantitatif mengenai kecenderungan penilaian pengguna terhadap kedua platform dan dapat menjadi masukan bagi pengelola e-commerce dalam merumuskan strategi peningkatan kualitas layanan berbasis opini pengguna.

Page 92 of 94 | Total Record : 937

 90   91   92   93   94 

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