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 Chelsia Cindeleria Herwanto; Juventia Agnecia; Lina
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/rqp52h60

Abstract

Pertumbuhan sel yang tidak normal pada jaringan otak dikenal sebagai tumor otak. Salah satu cara dokter mendeteksi tumor otak adalah melalui observasi langsung dengan diagnosis manual, yang memiliki risiko kesalahan. Perkembangan artificial intelligence pada bidang computer vision kini telah diterapkan dalam klasifikasi citra di sektor kesehatan. Studi ini mengklasifikasikan citra tumor otak menggunakan deep learning, khususnya metode Convolutional Neural Network (CNN) dengan arsitektur VGG-16 untuk membangun model terbaik yang diterapkan dalam bentuk sistem. Dataset yang digunakan terdiri dari 3.264 citra dengan kelas pituitary, meningioma, glioma, dan no (no tumor) yang diperoleh dari Kaggle. Pengujian dilakukan dengan beberapa skenario learning rate dan kombinasi jumlah neurons pada dense layer.
Indonesia Sheila Tania; Eriko Levino Sasmitra; Dave Keane Wijaya; Nelson
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/faqk5k60

Abstract

Studi ini bertujuan untuk mengklasifikasikan kualitas air sungai menggunakan tiga algoritma machine learning: Random Forest, Support Vector Classifier (SVC), dan Logistic Regression. Tujuan dari penelitian ini adalah untuk membandingkan kinerja ketiga algoritma tersebut berdasarkan accuracy, precision, recall, dan F1-score guna menentukan model yang paling sesuai untuk pemantauan kualitas air. Dataset yang digunakan diperoleh dari portal Satu Data Jakarta, yang berisi pengukuran kualitas air dari 23 sungai berdasarkan parameter fisik dan kimia seperti pH, dissolved oxygen (DO), biochemical oxygen demand (BOD), total dissolved solids (TDS), suhu, dan kekeruhan. Data tersebut melalui proses preprocessing melalui pembersihan, categorical encoding, dan feature scaling sebelum digunakan untuk pelatihan dan pengujian model. Hasil penelitian menunjukkan bahwa algoritma Random Forest mencapai accuracy tertinggi (93,33%) dan F1-score sebesar 0,87, diikuti oleh SVC dan Logistic Regression. Logistic Regression menghasilkan precision tertinggi, sementara Random Forest memberikan keseimbangan terbaik antara precision dan recall. Temuan ini menunjukkan bahwa Random Forest merupakan algoritma yang paling efektif dan adaptif untuk klasifikasi kualitas air sungai, menawarkan kinerja yang andal untuk mendukung pemantauan lingkungan dan pengelolaan air yang berkelanjutan.
Indonesia Stefi Lauren; Kent Dylan Sanjaya; Steven; Christabella Jocelynne Chandra; Angela Chow; Ravelino Radissey
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: 10.24912/7ghfcn35

Abstract

Sistem self-checkout menawarkan solusi inovatif untuk mengurangi antrean dan biaya operasional di sektor ritel. Dengan memanfaatkan deep learning, sistem ini memungkinkan identifikasi produk secara otomatis tanpa interaksi kasir, sehingga meningkatkan efisiensi dan kenyamanan pelanggan. Penelitian ini mengusulkan sistem self-checkout menggunakan model EfficientDet, yaitu metode deteksi objek yang dikenal memiliki keseimbangan antara akurasi dan efisiensi komputasi. Dataset yang terdiri atas 10 jenis produk makanan dan minuman dikumpulkan serta digunakan untuk pelatihan, validasi, dan pengujian. Model dilatih dengan variasi batch size dan epoch untuk menentukan konfigurasi terbaik. Hasil optimal diperoleh pada batch size 16 dan 800 epoch, dengan akurasi pelatihan sebesar 97% dan akurasi validasi sebesar 99,79%. Kinerja sistem kemudian dievaluasi melalui tiga skenario pengujian. Pada citra dengan satu produk, sistem mencapai akurasi deteksi 100% dan akurasi pengenalan 92%. Pada citra dengan tiga produk, akurasi deteksi dan pengenalan masing-masing mencapai 72%, sedangkan pada lima produk mencapai 42% dan 30%. Hasil ini menunjukkan bahwa EfficientDet layak digunakan dalam pengembangan sistem self-checkout yang efisien dan praktis, sekaligus menyoroti tantangan dalam deteksi multiobjek.
Indonesia Khansa Maritza Ar-Rahmah; Raffi Cahya Tria Putra Yasin
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: 10.24912/4vrcf070

Abstract

Peramalan kurs USD/IDR yang akurat sangat krusial bagi stabilitas ekonomi Indonesia. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja tiga model machine learning, yaitu Prophet, XGBoost, dan Multi-Layer Perceptron (MLP) dalam memprediksi kurs tengah harian USD/IDR. Metode penelitian yang digunakan adalah analisis kuantitatif komparatif pada data historis JISDOR dari Oktober 2019 hingga Oktober 2025. Model Prophet diterapkan sebagai pendekatan time series murni, sedangkan XGBoost dan MLP diuji menggunakan transformasi supervised learning dengan rekayasa fitur (fitur lag, rolling statistics, dan kalender). Kinerja model dievaluasi menggunakan metrik MAE dan RMSE pada dua skema pembagian data (80:20 dan 70:30). Hasil penelitian menunjukkan bahwa XGBoost secara signifikan mengungguli model lainnya, terutama pada skema 80:20, dengan mencapai MAE terendah (Rp100,60), MAPE (0,62%), dan R² positif (0,8603). Sebaliknya, Prophet dan MLP dengan konfigurasi dasar gagal menangkap volatilitas data dan menghasilkan R² negatif. Temuan ini mengindikasikan bahwa pendekatan supervised learning dengan rekayasa fitur, khususnya menggunakan XGBoost, lebih efektif untuk memprediksi kurs USD/IDR jangka pendek.
Indonesia Aulia Dwi Yulianti; 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: 10.24912/3k43gx15

Abstract

Ulasan pelanggan pada platform e-commerce merupakan data krusial untuk wawasan bisnis, namun volumenya yang besar menuntut adanya analisis sentimen otomatis . Penelitian ini bertujuan untuk merancang dan membangun sebuah prototipe aplikasi web yang fungsional untuk melakukan klasifikasi sentimen pada ulasan e-commerce secara otomatis. Sistem ini dirancang untuk mengimplementasikan dan membandingkan kinerja dari tiga model machine learning yang berbeda: metode probabilistik Naïve Bayes, ensemble learning LightGBM, dan deep learning sekuensial Gated Recurrent Unit (GRU). Data ulasan (20.100) dikumpulkan dari Google Play Store melalui web scraping dan melalui tahap pra-pemrosesan teks sebelum diimplementasikan pada ketiga model . Hasil pengujian kinerja menunjukkan adanya trade-off antara performa dan efisiensi. GRU mencapai F1-Score tertinggi (0.8082) namun dengan waktu komputasi terlama (877.72 detik). Naïve Bayes menunjukkan Akurasi tertinggi (0.8841) dan waktu pelatihan tercepat (0.027 detik), namun dengan nilai Recall terendah (0.7420) . Pengujian fungsionalitas (Black Box Testing) membuktikan semua fitur berjalan "valid" , dan pengujian System Usability Scale (SUS) terhadap 30 responden menghasilkan skor rata-rata 93.84 (kategori "Excellent").
Indonesia Gregorio Melvin Karnikov; Novario Jaya Perdana
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: 10.24912/60sq7675

Abstract

Penelitian ini menganalisis tingkat kerawanan banjir di Provinsi DKI Jakarta pada tingkat kecamatan menggunakan algoritma K-Medoids dan DBSCAN. Penelitian ini dilakukan dengan menggunakan data kejadian bencana banjir yang disediakan oleh Badan Penanggulangan Bencana Daerah (BPBD) DKI Jakarta untuk melakukan pengelompokan seluruh kecamatan yang berada pada Provinsi DKI Jakarta berdasarkan kesamaan dampak banjir yang dialami. Penelitian ini mencakup pengumpulan data, pemrosesan data dan implementasi setiap algoritma. Hasil penelitian menunjukkan bahwa algoritma DBSCAN secara signifikan lebih unggul. Dengan parameter yang dioptimalkan yaitu ε = 0.20, MinPts = 7, DBSCAN mencapai Silhouette Score sebesar 0.539 dan berhasil mengidentifikasi tiga klaster kerawanan yang bermakna (Rendah, Sedang, Tinggi) serta mengisolasi data anomali (noise). Sebaliknya, konfigurasi terbaik K-Medoids (k=2) hanya menghasilkan Silhouette Score sebesar 0.412, yang mengindikasikan struktur klaster yang lemah. Kesimpulannya, kemampuan DBSCAN dalam mendeteksi klaster dengan bentuk arbitrer dan menangani outlier menjadikannya metode yang lebih andal dan sesuai untuk analisis data kebencanaan spasial yang kompleks dan non-linier. Peta kerawanan yang dihasilkan dari klasterisasi DBSCAN dapat menjadi dasar yang kuat bagi pemangku kepentingan untuk merancang kebijakan mitigasi banjir yang lebih efektif dan tepat sasaran.
Indonesia Jason Sutanto; Tanjaya Jason Winata; Olivia Clarabella Khotiera; Wahyu Pamungkas
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/rdp93s54

Abstract

Dogecoin merupakan salah satu aset cryptocurrency yang awalnya dibuat sebagai parodi namun berkembang menjadi aset digital dengan kapitalisasi pasar yang besar. Transaksi dan investasi menggunakan Dogecoin memiliki tingkat volatilitas yang tinggi sehingga harga sering berubah secara signifikan dalam waktu singkat. Oleh karena itu, diperlukan prediksi harga yang akurat untuk membantu pengambilan keputusan investasi. Penelitian ini bertujuan untuk membandingkan tiga algoritma machine learning linear, yaitu Support Vector Regression (SVR) dengan Kernel Linear, Regresi Linear, dan AdaBoost dalam memprediksi harga Dogecoin untuk satu hari ke depan. Dataset yang digunakan merupakan data historis harga harian Dogecoin dari tahun 2019 hingga 2025 yang diperoleh dari Investing.com, meliputi harga Open, High, Low, dan Close. Proses prapemrosesan data dilakukan menggunakan Z-Score Normalization, sedangkan pembagian data dilakukan dalam dua skenario, yaitu 80% pelatihan 20% pengujian dan 60% pelatihan 40% pengujian. Hasil penelitian menunjukkan bahwa model SVR Kernel Linear memiliki performa terbaik dengan MAE 0.00471 USD, RMSE 0.01355 USD, dan R² 0.98032, mengungguli Regresi Linear dan jauh lebih baik dibandingkan AdaBoost. Berdasarkan hasil evaluasi, SVR Kernel Linear terbukti sebagai model paling akurat dan stabil dalam memprediksi harga Dogecoin karena mampu menangkap pola hubungan linear antar variabel secara efektif.

Page 94 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