cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota pontianak,
Kalimantan barat
INDONESIA
Jurnal Edukasi dan Penelitian Informatika (JEPIN)
Published by Universitas Tanjungpura
ISSN : 24600741     EISSN : 25489364     DOI : -
Core Subject : Science, Education,
Computer Science & IT Education
Jurnal Edukasi dan Penelitian Informatika (JEPIN) merupakan peer reviewed journal di bidang informatika. Jurnal ini diterbitkan 3 bulan dalam setahun (April, Agustus, dan Desember) oleh Program Studi Informatika, Fakultas Teknik, Universitas Tanjungpura, Indonesia.
Arjuna Subject : -
Articles 19 Documents
 1   2 
Search results for , issue "vol. 12 no. 2 (2026): volume 12 no 2" : 19 Documents clear
Hybrid TF-IDF and Sentence-BERT for Academic Advisor Recommendation Enhancing Topic Matching in Undergraduate Theses Sajid, Syahmi; Fadil, Nurdana Ahmad; Mtd, Aidizzacky Harizulfadly; Ajiwinata, Habib Gili
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i2.106621

Abstract

The selection of thesis supervisors is a crucial stage that affects the smooth completion of students’ research. The manual process traditionally used often creates difficulties in finding supervisors whose expertise aligns with the research topic, leading to academic inefficiencies. This study aims to design and develop a thesis supervisor recommendation system based on a hybrid TF-IDF and Sentence-BERT (SBERT) approach to improve the accuracy of matching students’ thesis titles with supervisors’ areas of expertise. The dataset used consists of 60 publications from four areas of expertise and 36 thesis titles from DIKE UGM students. The research stages include data collection, aggregation of supervisor publications, text preprocessing, feature extraction, and evaluation using Accuracy@K and Mean Reciprocal Rank (MRR). Experimental results indicate that the combination of stemming and stopword removal provides the best performance in placing relevant supervisors within the top-3 recommendations. The hybrid TF-IDF + SBERT method demonstrates superior performance compared to single methods, achieving Acc@3 of 0.8056, Acc@5 of 0.8611, and MRR of 0.6607, due to its ability to combine lexical information with semantic context. This study shows that a text-based recommendation system can speed up supervisor assignment and improve the match between research topics and supervisors’ expertise.
Sistem Mobile-Cloud untuk Identifikasi Jenis Kayu, Estimasi Umur, dan Analisis Performansi Transmisi Citra Menggunakan CNN dan Random Forest Abdillah, Depran; Salamah, Irma; Ciksadan
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i2.108950

Abstract

Identifikasi jenis kayu pada industri mebel masih banyak dilakukan secara manual, sehingga berpotensi menimbulkan ketidaktepatan dalam penentuan jenis dan estimasi umur kayu. Penelitian ini mengembangkan aplikasi mobile-cloud berbasis Android untuk klasifikasi jenis kayu dan estimasi umur kayu pada Mebel Karya Bersama Palembang. Model Convolutional Neural Network (CNN) digunakan untuk mengklasifikasikan lima jenis kayu, yaitu Jati, Meranti, Seru, Tembesu, dan Unglen, berdasarkan citra permukaan kayu, sedangkan Random Forest digunakan untuk mengestimasi kategori umur kayu berdasarkan fitur hasil ekstraksi CNN. Kinerja model CNN yang dievaluasi menunjukkan pencapaian akurasi pada angka 91%, sedangkan model Random Forest memperoleh akurasi 98,4%. Sistem yang dibangun diimplementasikan dalam arsitektur mobile-cloud dan mampu menampilkan hasil prediksi jenis kayu, estimasi umur, serta performansi transmisi citra berdasarkan parameter delay, throughput, dan packet loss pada jaringan WiFi dan 4G LTE. Penelitian ini menunjukkan bahwa aplikasi yang dikembangkan dapat mendukung identifikasi kayu secara lebih cepat, praktis, dan terkomputerisasi.
Mapping Potential New Student Admission Marketing Regions Using C4.5 and SVM with Multi-Method Feature Selection Maulana, Muhammad Sony; Prihastuti, Amini; Fitriyani, Vimi Putri; Wahyuningsih, Ratri; Ayu Safitri, Sri Dewi
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

 Higher education institutions require effective and efficient marketing strategies to remain competitive in attracting prospective students. This study aims to identify potential regions for New Student Admission (NSA) marketing by comparing the Decision Tree (C4.5) and Support Vector Machine (SVM) algorithms while applying a multi-method feature selection approach consisting of the Chi-Square Test, Mutual Information, ANOVA F-Test, and Decision Tree Feature Importance to evaluate feature relevance prior to classification. The dataset consisted of 254 student records from Universitas Bina Sarana Informatika PSDKU Pontianak. The research workflow included data preprocessing, feature selection, an 80:20 train-test split, data balancing using Synthetic Minority Oversampling Technique (SMOTE), data normalization, classification modeling, and model evaluation using Stratified 10-Fold Cross-Validation with accuracy, precision, recall, F1-score, and ROC-AUC as performance metrics. The experimental results showed that the Decision Tree (C4.5) algorithm outperformed SVM, achieving an accuracy of 68.63%, precision of 71.56%, recall of 68.63%, F1-score of 68.34%, and ROC-AUC of 0.658. Feature selection identified the source of campus information, high school major, and study program as the most relevant attributes for classifying regional marketing potential. Furthermore, Pontianak and Kubu Raya were identified as the most promising promotional regions, while recommendations from relatives or family members and direct school visits emerged as the most influential promotional channels. The findings are expected to support the development of more effective, objective, and data-driven new student admission marketing strategies.
Perancangan Sistem Informasi Manajemen Persediaan Berbasis Prototype untuk Mendukung Akurasi Data pada PT. Ahmad Aries Wijaya, Christopher Raymond; Dwika Cahyono, Ariya
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengelolaan persediaan merupakan faktor penting dalam mendukung kelancaran operasional perusahaan. PT. Ahmad Aries masih menggunakan spreadsheet sebagai media pencatatan persediaan sehingga berpotensi menimbulkan kesalahan input data, keterlambatan pembaruan stok, dan ketidaksesuaian informasi persediaan. Penelitian ini bertujuan menganalisis proses bisnis dan merancang Sistem Informasi Manajemen Persediaan sesuai kebutuhan perusahaan. Metode yang digunakan adalah pendekatan prototype melalui tahapan identifikasi kebutuhan, analisis proses bisnis, perancangan sistem, basis data, dan antarmuka pengguna. PIECES Framework digunakan untuk mengidentifikasi permasalahan sistem, sedangkan Business Process Improvement (BPI) diterapkan untuk menyusun usulan perbaikan proses bisnis. Hasil penelitian berupa rancangan sistem yang menghubungkan proses pengadaan bahan baku, produksi, penjualan, retur, dan persediaan dalam satu sistem. Rancangan yang dihasilkan berpotensi mengurangi pencatatan manual, mendukung pembaruan data secara otomatis, meningkatkan akurasi data persediaan, serta mendukung efisiensi pengelolaan persediaan pada PT. Ahmad Aries.
Implementasi Mekanisme Adaptif Berbasis Q-Learning pada Game Edukasi Matematika Numerasi Awal Krisdiawan, Rio Andriyat; Husen, Dede; Herwanto, Heri
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i2.110624

Abstract

Pembelajaran numerasi awal membutuhkan media digital yang tidak hanya interaktif, tetapi juga mampu menyesuaikan tingkat tantangan berdasarkan performa peserta didik. Penelitian ini bertujuan mengimplementasikan mekanisme adaptif berbasis Q-Learning pada game edukasi matematika numerasi awal untuk siswa kelas awal sekolah dasar. Penelitian menggunakan pendekatan implementatif-deskriptif dengan fokus pada integrasi alur permainan, gameplay logging, pemodelan state siswa, pemilihan action adaptif, perhitungan reward, pembaruan Q-value, dan transisi tingkat kesulitan. Game dikembangkan dalam enam level aktivitas yang mencakup materi menghitung objek, mengenali simbol bilangan, mengurutkan bilangan, serta memahami nilai tempat sederhana sampai 20. Pengujian dilakukan di SDN 1 Langseb dengan melibatkan 38 siswa dan 2 guru. Hasil implementasi menunjukkan bahwa sistem mencatat 1.430 baris gameplay log yang terdiri atas 683 event jawaban, 253 event bantuan, 228 event penyelesaian level, 228 event keputusan adaptif, dan 38 event penyelesaian permainan. Jumlah 228 keputusan adaptif sesuai dengan enam level yang diselesaikan oleh 38 siswa, sehingga menunjukkan bahwa mekanisme adaptif berjalan pada setiap akhir level. Distribusi action menghasilkan 71 keputusan Naik, 47 Tetap, dan 110 Turun/Penguatan. Rata-rata Q-value meningkat dari 1,115 menjadi 1,199 dengan rata-rata delta Q sebesar 0,084. Hasil uji penerimaan pengguna menunjukkan persentase UAT sebesar 79,21% pada siswa, 80,00% pada guru, dan 79,25% secara keseluruhan, dengan kategori baik. Hasil penelitian menunjukkan bahwa mekanisme adaptif berbasis Q-Learning dapat diintegrasikan ke dalam game edukasi matematika numerasi awal melalui pencatatan aktivitas, pembentukan state, pemilihan action, reward, pembaruan Q-value, dan pengaturan tingkat kesulitan. Penelitian ini dibatasi pada evaluasi implementasi dan penerimaan pengguna, bukan pada pengujian kausal terhadap peningkatan hasil belajar.
Analisis Pengaruh Pengelompokan Fitur Klinis terhadap Kinerja Algoritma Random Forest dalam Prediksi Lama Rawat Inap Pasien Pipit Ari Mufidah; Nurjanah, Septiana; Gandung Triyono
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i2.110699

Abstract

Lama rawat inap (Length of Stay atau LOS) merupakan indikator penting yang mencerminkan efisiensi operasional rumah sakit dan kualitas pelayanan pasien. Berbagai penelitian telah memanfaatkan metode machine learning untuk memprediksi LOS berdasarkan data klinis pasien. Namun, kinerja model prediksi sangat dipengaruhi oleh kualitas representasi fitur yang digunakan, terutama pada variabel kategorikal dengan jumlah kategori yang terlalu banyak. Penggunaan kategori yang terlalu rinci dapat meningkatkan kompleksitas data dan berpotensi menurunkan performa model. Oleh karena itu, diperlukan kajian untuk mengetahui pengaruh penerapan feature grouping terhadap kinerja model prediksi LOS. Penelitian ini bertujuan untuk menganalisis pengaruh penerapan feature grouping terhadap kinerja algoritma Random Forest dalam prediksi lama rawat inap pasien berdasarkan data klinis dan administratif. Metode penelitian melibatkan pengolahan data rekam medis sebanyak 41.121 pasien dengan 8 fitur klinis. Tahapan penelitian meliputi preprocessing, feature engineering, serta evaluasi model menggunakan metrik R², Mean Absolute Error (MAE), dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model Random Forest mampu memprediksi LOS dengan nilai R² sebesar 0,172. Penerapan feature grouping menunjukkan adanya peningkatan performa model dibandingkan baseline, namun peningkatan tersebut relatif kecil dan tidak signifikan secara praktis. Hal ini menunjukkan bahwa Random Forest memiliki kemampuan yang cukup baik dalam menangani fitur kategorikal tanpa transformasi tambahan.Kesimpulan dari penelitian ini menunjukkan bahwa efektivitas feature grouping dalam meningkatkan performa model bergantung pada karakteristik data dan kemampuan algoritma yang digunakan. Model yang dihasilkan diharapkan dapat memberikan gambaran awal untuk mendukung proses pengambilan keputusan dalam perencanaan pelayanan kesehatan di rumah sakit.
Integrasi Rule-Based Productivity Evaluation pada Sistem Informasi Manajemen Organisasi Mahasiswa Rabbani, Muhammad Rafif; Muhammad Arifin; Soni Adiyono
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i2.110724

Abstract

Organisasi mahasiswa berperan penting dalam mengembangkan kemampuan kepemimpinan, manajerial, dan kolaborasi mahasiswa. Namun, proses pengelolaan administrasi dan evaluasi produktivitas organisasi masih umumnya dilakukan secara manual sehingga penilaian cenderung kurang konsisten, objektif, dan transparan. Penelitian ini bertujuan mengembangkan sistem informasi manajemen organisasi mahasiswa yang mengintegrasikan Rule-Based Productivity Evaluation Model untuk mendukung pengelolaan administrasi sekaligus menghasilkan evaluasi produktivitas organisasi secara sistematis. Sistem dikembangkan menggunakan metode Waterfall dengan implementasi berbasis Python, Flet, dan MySQL. Model evaluasi dibangun menggunakan aturan IF–THEN yang disusun berdasarkan studi literatur dan analisis karakteristik administrasi organisasi mahasiswa dengan tiga indikator, yaitu Participant Attendance, LPJ Submission Timeliness, dan Document Completeness. Pengujian fungsional menggunakan Black Box Testing terhadap 35 skenario menunjukkan 34 skenario berhasil dan 1 skenario gagal, sehingga diperoleh tingkat keberhasilan sebesar 97,1%. Selain itu, validasi model menunjukkan bahwa hasil perhitungan manual identik dengan hasil yang dihasilkan sistem pada seluruh skenario pengujian, sehingga implementasi aturan telah sesuai dengan rancangan model. Sistem menghasilkan Productivity Score, Productivity Category, Weakest Aspect, dan Recommendation secara otomatis untuk mendukung evaluasi produktivitas organisasi mahasiswa. Hasil penelitian menunjukkan bahwa integrasi model berbasis aturan mampu menghasilkan proses evaluasi yang konsisten, objektif, dan transparan serta mendukung dosen pembina dalam memantau produktivitas organisasi mahasiswa.
Prediksi Mortalitas Ayam Broiler Menggunakan Metode Least Square Berbasis Web Abdul Majid, Akmal; Nugraha, Fajar; Laily, Diana
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Mortalitas ayam broiler merupakan salah satu indikator penting dalam keberhasilan manajemen produksi peternakan karena berpengaruh langsung terhadap efisiensi populasi, biaya operasional, dan hasil panen. Penelitian ini bertujuan membangun sistem prediksi mortalitas ayam broiler berbasis web menggunakan metode Least Square pada kandang mitra Putri Riana Elok Mufidah dalam sistem kemitraan PT. Ciomas Adisatwa. Data yang digunakan berasal dari 15 siklus pemeliharaan periode 2022-2026 pada dua kandang dengan total 1.200 baris data harian. Tahapan pengolahan meliputi load dataset, standarisasi kolom, pengecekan outlier menggunakan IQR, pembentukan variabel X, Y, XY, dan X2, pemodelan Least Square, serta evaluasi menggunakan Mean Absolute Percentage Error (MAPE). Hasil pengujian menunjukkan nilai MAPE testing sebesar 3,093677% pada Kandang A dan 3,175730% pada Kandang B, sehingga keduanya termasuk kategori sangat akurat. Sistem yang dihasilkan dapat digunakan sebagai alat bantu manajemen untuk memantau tren mortalitas, memproyeksikan siklus berikutnya, dan mendukung keputusan preventif berbasis data.
Sistem Pendukung Keputusan Pemilihan Paket Booster TikTok Menggunakan Metode Collaborative Filtering dan TOPSIS Putri Khoirun Nisfah, Andhika; Nugraha, Fajar; Supriyono
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i2.110857

Abstract

Pertumbuhan penggunaan TikTok mendorong content creator, UMKM, dan pengelola talent untuk memanfaatkan layanan booster sebagai strategi meningkatkan visibilitas akun. Banyaknya variasi paket pada platform Social Media Marketing (SMM) Panel—dengan selisih harga hingga lebih dari 300 kali lipat antar paket (Rp88 sampai Rp28.060 per 1.000 interaksi)—menimbulkan kesulitan dalam memilih paket yang sesuai dengan kebutuhan, anggaran, dan target interaksi. Penelitian ini membangun Sistem Pendukung Keputusan (SPK) pemilihan paket booster TikTok berbasis web dengan pendekatan hybrid yang menggabungkan Collaborative Filtering dan TOPSIS. Collaborative Filtering digunakan untuk memprediksi rating paket berdasarkan kemiripan preferensi pengguna, sedangkan TOPSIS digunakan untuk mengurutkan alternatif berdasarkan lima kriteria: skor prediksi rating, harga, jangkauan, estimasi followers, dan kontribusi interaksi. Data penelitian melibatkan 500 responden, 11 alternatif paket, dan 5 kriteria evaluasi. Hasil pemrosesan menunjukkan 5.500 sel rating dengan 4.474 rating terisi, 1.026 rating kosong, dan sparsity 18,65%. Seluruh nilai kosong berhasil diprediksi menggunakan Collaborative Filtering. Hasil akhir TOPSIS menunjukkan paket ID88_Saves_Lifetime sebagai rekomendasi terbaik dengan nilai preferensi Ci sebesar 0,607996.
Klasterisasi Pelanggan Menggunakan K-Means Clustering Berbasis Model LRFM untuk Analisis Customer Lifetime Value pada Toko Perabot Pak Lan Jaya Bunga Sayla Safira; Supriyono; Soni Adiyono
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i2.110946

Abstract

Persaingan pada sektor ritel perabot rumah tangga semakin ketat sehingga pelaku usaha dituntut untuk mengidentifikasi dan memprioritaskan pelanggan berdasarkan nilai serta perilaku transaksinya secara terukur. Tanpa mekanisme klasifikasi pelanggan yang sistematis, pengelola toko kesulitan merancang strategi pemasaran yang tepat sasaran dan efisien. Penelitian ini bertujuan menganalisis klasterisasi pelanggan Toko Perabot Pak Lan Jaya menggunakan algoritma K-Means Clustering berbasis model LRFM dengan parameter Length (durasi hubungan pelanggan), Recency (kebaruan transaksi), Frequency (frekuensi pembelian), dan Monetary (nilai pembelian) sebagai dasar estimasi Customer Lifetime Value (CLV) guna mendukung pengambilan keputusan strategi pemasaran. Penelitian menggunakan 661 transaksi terkonfirmasi dari 76 pelanggan selama periode Januari hingga Juli 2026. Tahapan analisis meliputi pembersihan data, pembentukan fitur LRFM, normalisasi menggunakan metode Min-Max Scaling, penentuan jumlah klaster optimal dengan Metode Elbow, klasterisasi menggunakan K-Means, serta evaluasi kualitas klaster menggunakan Silhouette Score. Hasil penelitian menghasilkan tiga segmen pelanggan, yaitu 19 Pelanggan Premium, 40 Pelanggan Loyal, dan 23 Pelanggan Berisiko. Pelanggan Premium memiliki rata-rata nilai Monetary dan Frequency tertinggi, sedangkan Pelanggan Berisiko menunjukkan nilai Recency tertinggi serta Frequency dan Monetary terendah. Nilai Silhouette Score sebesar 0,2821 mengindikasikan bahwa pemisahan antar klaster berada pada kategori cukup baik (reasonable structure). Hasil segmentasi dapat dimanfaatkan sebagai dasar penyusunan program loyalitas, promosi bertarget, peningkatan nilai transaksi, dan kampanye reaktivasi pelanggan secara terstruktur dan berbasis data.

Page 1 of 2 | Total Record : 19

 1   2 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol. 12 No. 2 (2026): Volume 12 No 2 Vol. 12 No. 1 (2026): Volume 12 No 1 Vol. 11 No. 3 (2025): Volume 11 No 3 Vol 11, No 2 (2025): Volume 11 No 2 Vol 11, No 1 (2025): Volume 11 No 1 Vol 10, No 3 (2024): Volume 10 No 3 Vol 10, No 2 (2024): Volume 10 No 2 Vol 10, No 1 (2024): Volume 10 No 1 Vol 9, No 3 (2023): Volume 9 No 3 Vol 9, No 2 (2023): Volume 9 No 2 Vol 9, No 1 (2023): Volume 9 No 1 Vol 8, No 3 (2022): Volume 8 No 3 Vol 8, No 2 (2022): Volume 8 No 2 Vol 8, No 1 (2022): Volume 8 No 1 Vol 7, No 3 (2021): Volume 7 No 3 Vol 7, No 2 (2021): Volume 7 No 2 Vol 7, No 1 (2021): Volume 7 No 1 Vol 6, No 3 (2020): Volume 6 No 3 Vol 6, No 2 (2020): Volume 6 No 2 Vol 6, No 1 (2020): Volume 6 No 1 Vol 5, No 3 (2019): Volume 5 No 3 Vol 5, No 2 (2019): Volume 5 No 2 Vol 5, No 1 (2019): Volume 5 No 1 Vol 5, No 1 (2019): Volume 5 No 1 Vol 4, No 2 (2018): Volume 4 No 2 Vol 4, No 2 (2018): Volume 4 No 2 Vol 4, No 1 (2018): Volume 4 No 1 Vol 4, No 1 (2018): Volume 4 No 1 Vol 3, No 2 (2017): Volume 3 No 2 Vol 3, No 2 (2017): Volume 3 No 2 Vol 3, No 1 (2017): Volume 3 No 1 Vol 3, No 1 (2017): Volume 3 No 1 Vol 2, No 2 (2016): Volume 2 No 2 Vol 2, No 2 (2016): Volume 2 No 2 Vol 2, No 1 (2016): Volume 2 No 1 Vol 2, No 1 (2016): Volume 2 No 1 Vol 1, No 2 (2015): Volume 1, No 2 Vol 1, No 2 (2015): Volume 1, No 2 Vol 1, No 1 (2015): Edisi Perdana Vol 1, No 1 (2015): Edisi Perdana More Issue