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 522 Documents
 45   46   47   48   49 
Implementasi Fuzzy-VADER pada Analisis Sentimen Pengguna Terhadap Aplikasi Pinjaman Online Berutu, Sunneng Sandino
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.79741

Abstract

 Analisis sentimen merupakan sebuah pendekatan penting untuk memahami opini masyarakat dari data teks yang besar dan tidak terstruktur. Penelitian ini mengusulkan mtode inovatif dalam bidang analisis sentimen berbasis metode VADER dan fuzzy logic. Metode ini diimplementasikan pada pengukuran sentimen pengguna terhadap aplikasi pinjaman online (pinjol). Tahapan penelitian yang dilakukan, yaitu pertama, crawling data ulasan dari 6 (enam) aplikasi pinjol di play store. Kemudian, dilakukan data preprocessing. Selanjutnya, klasifikasi data ulasan menjadi tiga kategori sentimen seperti positif, negatif dan netral dengan metode VADER. Terakhir, implementasi metode fuzzy untuk memperoleh likert scale 5 (lima) kategori sentimen dengan nilai compound VADER. Hasil eksperimen dengan metode VADER, semua aplikasi pinjol memperoleh sentimen tertinggi pada kategori positif dengan persentase rata-rata sebesar 54,8%, disusul kategori negatif sebesar 27,7% dan netral sebesar 17,5%.  Sementara itu, implementasi dengan metode fuzzy, semua aplikasi pinjol memperoleh sentimen tertinggi pada kategori netral dengan persentase rata-rata sebesar 43%, disusul kategori positif sebesar 22,6%, kategori sangat positif sebesar 21%, kategori negatif sebesar 11,3% dan kategori sangat negatif sebesar 5%.  
Analisa Pengaruh Penambahan Fitur dengan Perbandingan Algoritma berbasis Bagging dan Boosting pada Deteksi Phishing Link Kamila, Ahya Radiatul; Adikara, Fransiskus; Sutrisno, Sutrisno; Herdian, Cevi
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.83366

Abstract

Deteksi phishing link merupakan tantangan kritis dalam keamanan siber yang memerlukan teknik analisis canggih untuk membedakan antara link sah (legitimate link) dan link berbahaya (phishing link). Hal ini perlu dilakukan karena seiring dengan perkembangan teknologi, ancaman phishing semakin kompleks dan sulit dikenali, sehingga tidak hanya dapat menyebabkan kerugian finansial, tetapi juga dapat merusak reputasi organisasi dan menimbulkan kerentanan lebih lanjut terhadap serangan siber lainnya. Dengan peningkatan kompleksitas serangan phishing, pendekatan konvesional tidak lagi cukup efektif, oleh karena itu, diperlukan teknik yang lebih adaptif seperti machine learning untuk mengenali pola-pola dalam link yang menunjukkan potensi ancaman. Penelitian ini bertujuan untuk mendeteksi dini phishing link menggunakan algoritma machine learning dengan menganalisis pengaruh penggunaan feature engineering dengan membandingkan performa algoritma berbasis bagging dan boosting. Dalam penelitian ini, kami mengembangkan fitur baru ('Count_/_Path' dan 'path_length') yang merupakan hasil ekstraksi dari fitur yang sudah ada dan mengevaluasinya menggunakan pehitungan nilai Mutual Information untuk meningkatkan akurasi model. Hasil penelitian menunjukkan bahwa penambahan fitur 'Count_/_Path' dan 'path_length' secara signifikan meningkatkan kinerja model. Selain itu, kami membandingkan tiga algoritma machine learning, yaitu Random Forest, Gradient Boosting, dan XGBoost. Dari hasil perbandingan, algoritma XGBoost dengan penambahan fitur menunjukkan performa terbaik dengan akurasi 92%, recall 94%, dan presisi 91%. Dimana Random Forest hanya penghasilkan akurasi 91%, recall 92%, presisi 90% dan Gradient Boosing hanya menghasilkan akurasi 90%, recall 93%, presisi 88%.    
Identifikasi Unsur Hara pada Lahan Pertanian Padi menggunakan Soil Integrated Sensor dan Sistem Informasi Geografis Abdullah, Asrul; Iwan, Muhammad; Alkhairi, Muhammad Ghozy
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.83329

Abstract

Pemenuhan SDG"™s di Indonesia salah satunya ditunjang oleh sektor pertanian. Produk pertanian dengan yang menjadi perhatian adalah padi. Pertumbuhan padi di Indonesia dapat tumbuh dengan subur karena di dalam tanah memiliki kandungan unsur hara. Kandungan unsur hara penting yang dibutuhkan oleh padi agar tumbuh dengan cepat adalah nitrogen, phosporus dan kalium / potassium (NPK). Kandungan unsur NPK yang terkandung di pupuk atau tanah melalui analisis laboratorium dengan biaya yang relatif mahal dan waktu yang lama. Untuk itu perlu cara lain yakni menggunakan soil integrated sensor. Penelitian ini memiliki tujuan untuk mendapatkan informasi terkait kandungan unsur hara pada lahan pertanian padi menggunakan soil integrated sensor serta lokasi menggunakan sistem informasi geografis. Parameter yang digunakan antara lain suhu tanah, kelembapan tanah, electrical conductivity, pH tanah, nitrogen, phosporus, potassium dan salinitas tanah. Parameter lain yang di dapatkan dari GPS adalah longitude, latitude, velocity, altitude serta tanggal pengukuran. Tahapan yang ada di dalam penelitian antara lain studi pustaka, pengumpulan data, analisis kebutuhan, rancangan, implementasi dan pengujian prototipe. Hasil dari penelitian ini adalah prototipe berhasil mengidentifikasi kandungan unsur hara tanah, membaca semua parameter dan mengirimkan hasilnya ke Node-RED menggunakan MQTT dan menyimpan data ke MySQL. Parameter lain yang juga ikut disimpan adalah titik lokasi dari pengambilan data menggunakan GPS. Kesimpulan dari penelitian ini protipe berhasil diuji coba pada lahan pertanian padi dan mengidentifikasi kandungan unsur hara. Titik-titik lokasi yang dikirimkan ke database berhasil dipetakan menggunakan Leaflet JS.    
Sistem Klasifikasi Kualitas Udara dengan Integrasi Sensor menggunakan Metode K-Nearest Neighbor Achyar, Athif Tafrihan; Hidayati, Rahmi; Sari, Kartika
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.90728

Abstract

Kualitas udara yang buruk dapat berdampak negatif pada sistem respirasi manusia dan dampak kesehatan lainnya, sehingga pemantauan kualitas udara berperan penting terhadap permasalahan ini. Penelitian ini mengembangkan sistem klasifikasi kualitas udara secara real-time menggunakan metode K-Nearest Neighbor (KNN) dan data dari 4 sensor: GP2Y1010AU0F (PM₂.₅), MQ-135 (CO₂), MQ-131 (O₃), dan MQ-7 (CO). Sistem terdiri dari sensor yang terintegrasi dengan ESP32, penyimpanan cloud menggunakan Firebase, dan antarmuka web untuk pemrosesan serta visualisasi data. ESP32 berfungsi mengumpulkan data dari sensor dan mengirimkannya ke Firebase, yang kemudian diakses oleh aplikasi web untuk klasifikasi menggunakan algoritma KNN. Klasifikasi dilakukan dalam 4 kategori: baik, sedang, buruk, dan sangat buruk, dengan hasil ditampilkan di antarmuka web untuk pemantauan selama 24 jam terakhir. Pengujian menggunakan confusion matrix dengan 900 data latih dan 600 data uji menunjukkan tingkat akurasi sebesar 98,67%. Selain itu, pengujian crossvalidation dengan k=3 menghasilkan akurasi sebesar 99,39%.
Development of an Image Captioning Model to Assist The Activities of Visually Impaired Pedestrians in Urban Environments Sajid, Syahmi; Harjoko, Agus
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.95754

Abstract

Visual impairment is a global issue with significant impacts on the mobility and safety of individuals, especially in urban environments. Artificial intelligence solutions, such as image captioning, promise assistance for people with visual impairments to aid their daily activities. However, the field of image captioning in this context still has performance limitations. To address this, this study proposes a hybrid method combining image feature extraction from VGG16, ResNet50, and YOLO on the encoder side with LSTM and BiGRU on the decoder side to generate descriptions that have proven to enhance model performance on the Flickr8k dataset in previous research. By adapting this method to the Visual Assistance dataset, incorporating image augmentation through a combination of rotation and zoom, and applying transfer learning to address the dataset size limitation, this study successfully improved the model"™s performance in supporting the activities of visually impaired pedestrians in urban environments. Evaluation results showed significant improvements in several evaluation metrics. Overall, this model shows improvement compared to previous research, where Sharma et al. (2022) reported that the InceptionV3-BiLSTM model with Adaptive Attention achieved a BLEU-4 score of only 0.266 on the Visual Assistance dataset. This study achieved a 60.53% increase in BLEU-4 score compared to previous research on the Visual Assistance dataset. Overall, this study provides a positive contribution to developing more effective and accurate solutions for visually impaired navigation users in urban environments.
Perbandingan Pembobotan TF-IDF dan TF-RF menggunakan NW-KNN untuk Klasifikasi Emosi pada Teks Komentar Program MBKM (Studi Kasus: Aplikasi X) Azizah, Wafiq; Ilhamsyah, Ilhamsyah; Rahmayuda, Syahru
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.93456

Abstract

Media sosial seperti aplikasi X memungkinkan pengguna menyampaikan opini terhadap isu-isu publik, termasuk Program Merdeka Belajar Kampus Merdeka (MBKM). Komentar tersebut sering kali mengandung emosi yang beragam. Namun, komentar di media sosial cenderung tidak terstruktur dan mengandung frasa yang tidak baku, sehingga penting dilakukan klasifikasi emosi untuk memahami respons masyarakat secara lebih mendalam. Oleh karena itu, dibutuhkan teknik yang tepat dalam menganalisis emosi tersebut. Pada penelitian ini digunakan dua teknik pembobotan, yaitu TF-IDF dan TF-RF, dengan menggunakan metode Neighbor Weighted K-Nearest Neighbor (NW-KNN) untuk mengklasifikasikan emosi dalam komentar terkait MBKM. Kedua pembobotan ini dibandingkan untuk mengetahui teknik mana yang menghasilkan performa klasifikasi yang lebih optimal. Emosi dilabeli secara manual dan menggunakan NRC Emotion Lexicon (Emolex). Label yang akan digunakan berjumlah 8 label yaitu sedih, marah, bahagia, takut, antisipasi, terkejut, percaya dan jijik. Hasil pelabelan menunjukkan bahwa pendekatan berbasis leksikon memiliki keterbatasan dalam memahami makna emosi yang sebenarnya karena perbedaan makna dari terjemahan bahasa Inggris ke bahasa Indonesia. Evaluasi dilakukan menggunakan confusion matrix yang mencakup accuracy, precision, recall dan F1-score, dengan tiga skenario pembagian data serta variasi parameter K dan E. Hasil percobaan menunjukkan bahwa kombinasi K = 35 dan E = 4 dengan pembagian data 90:10 memberikan kinerja yang lebih optimal. TF-IDF menunjukkan keunggulan dalam accuracy 75%, recall 75%, dan F1-score 74,43%, sementara TF-RF memiliki precision lebih tinggi sebesar 78,36%. TF-IDF lebih baik dalam mengenali emosi takut, sedangkan TF-RF lebih baik dalam mengenali emosi terkejut. Penelitian ini menunjukkan bahwa pemilihan teknik pembobotan dapat mempengaruhi performa dari hasil klasifikasi emosi pada komentar terkait MBKM.
Perancangan Plugin QGIS untuk Menyusun Indeks Bahaya Peta Bencana Tanah Longsor Priyanto, Heri; Muthahhari, Morteza; Rizky, Amirul Dewa
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.96303

Abstract

Bencana tanah longsor merupakan salah satu ancaman signifikan di Indonesia yang berdampak besar terhadap aspek sosial, ekonomi, dan infrastruktur. Salah satu bentuk mitigasi yang penting adalah penyusunan peta indeks bahaya tanah longsor untuk mengidentifikasi wilayah berisiko. Namun, proses ini sering kali dilakukan secara konvensional menggunakan perangkat lunak berbayar seperti ArcGIS, yang membutuhkan waktu lama dan keterampilan teknis tinggi. Penelitian ini bertujuan mengembangkan sebuah plugin berbasis perangkat lunak sumber terbuka Quantum GIS (QGIS) guna menyederhanakan dan mempercepat proses penyusunan indeks bahaya tanah longsor. Pengembangan dilakukan dengan pendekatan Rapid Application Development (RAD), menggunakan bahasa pemrograman Python, API QGIS, serta pustaka seperti Rasterio dan GDAL. Pengujian dilakukan dengan metode white box testing untuk memastikan akurasi proses dan konsistensi keluaran. Hasil pengujian menunjukkan bahwa plugin yang dikembangkan mampu menghasilkan peta indeks bahaya yang konsisten dengan metode konvensional, namun dengan waktu pemrosesan yang lebih singkat. Penggunaan plugin ini mengurangi durasi analisis dari 410 detik menjadi 280 detik. Simpulan dari penelitian ini menunjukkan bahwa plugin dapat menjadi solusi praktis dalam mendukung penyusunan indeks bahaya tanah longsor, khususnya di lingkungan kerja berbasis QGIS.
Pengembangan Front-End Aplikasi Lomba Mewarnai menggunakan HTML Canvas dengan Library React JS Kurniawan, Rendy; Sholva, Yus; Pratama, Enda Esyudha
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.97723

Abstract

Aplikasi mewarnai digital (digital drawing) merupakan platform interaktif yang memungkinkan anak-anak mewarnai secara langsung melalui antarmuka web yang dirancang menggunakan HTML Canvas dan React JS. Front-end aplikasi ini berperan penting sebagai jembatan interaktif antara pengguna dan sistem back-end, sehingga kegiatan mewarnai dapat dilakukan secara digital. Kegiatan mewarnai sering dijadikan ajang lomba yang telah popular di kalangan anak-anak. Namun, lomba mewarnai yang biasanya dilakukan secara konvensional memiliki beberapa kendala, seperti resiko kerusakan pada kertas karya peserta, waktu penjurian yang lama, serta kurangnya transparansi dalam pengumuman hasil lomba. Untuk mengatasi masalah tersebut, penelitian ini mengembangkan platform lomba mewarnai berbasis website dengan fokus pada perancangan front-end yang mendukung fungsionalitas mewarnai digital. Pengembangan dilakukan dengan pendekatan metode Agile. Hasil penelitian menunjukkan bahwa aplikasi yang dikembangkan telah berfungsi dengan baik, sebagaimana diuji menggunakan metode black box testing. Pengujian System Usability Scale (SUS) menunjukkan skor rata-rata 83,5 untuk peserta dan 90 untuk panitia, dengan skor keseluruhan 86,75 yang mengindikasikan bahwa aplikasi ini sangat berhasil dan layak digunakan sebagai platform lomba mewarnai digital.
Implementasi Algoritma K-Means Clustering untuk Penilaian Kinerja Anggota Organisasi Rangkuti, Syawaliah Putri; Fakhriza, M.
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.96420

Abstract

Organisasi Pramuka Madrasah Aliyah Laboratorium UINSU menghadapi tantangan dalam melakukan evaluasi kinerja anggotanya secara objektif. Penempatan anggota yang tidak sesuai dengan kompetensinya menyebabkan ketidakefisienan kerja dan menurunnya motivasi organisasi. Penelitian ini bertujuan untuk membangun sistem penilaian kinerja berbasis algoritma K-Means Clustering dengan menggunakan Kamus Kompetensi Spencer sebagai indikator penilaian. Data diperoleh dari 80 anggota aktif melalui form penilaian dan, lalu diolah menggunakan bahasa pemrograman Python dan dijalankan di Google Colaboratory. Metode Elbow digunakan untuk menentukan jumlah optimal cluster. Hasil penelitian menunjukkan bahwa anggota berhasil dikelompokkan ke dalam tiga kategori utama: anggota dengan kinerja sangat baik, baik dan cukup. Sistem ini terbukti mampu meningkatkan objektivitas dalam evaluasi, mempermudah pengambilan keputusan, serta memberikan dasar pengembangan potensi anggota secara tepat sasaran.
Klasifikasi Tingkatan Perokok dengan Analisis Data Survei Masyarakat menggunakan Algoritma K-Means dan XGBoost Khairani, Melvika; Zufria, Ilka
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.96678

Abstract

Tingginya angka perokok aktif di Indonesia yang berdampak pada kesehatan, ekonomi, dan sosial masyarakat, khususnya di kota-kota besar seperti Medan, belum diimbangi dengan pendekatan analitis yang mampu memetakan tingkat kebiasaan merokok secara terstruktur karena keterbatasan data berlabel. Untuk mengatasi permasalahan tersebut, penelitian ini menggunakan pendekatan semi-supervised dengan menggabungkan algoritma K-Means Clustering untuk membentuk label tingkat perokok, dan Extreme Gradient Boosting (XGBoost) untuk melakukan klasifikasi multikelas dengan tiga target kelas, yaitu perokok Ringan, Sedang, dan Berat, berdasarkan karakteristik individu seperti pengaruh sosial, tekanan psikologis, dan kebiasaan merokok harian. Data dikumpulkan dari 638 responden perokok aktif berusia 20"“40 tahun di Kota Medan melalui dua metode, yaitu survei lapangan dengan kuesioner cetak (33 responden) dan survei daring melalui Google Form (605 responden), yang selanjutnya melalui proses validasi dan prapemrosesan sebelum dianalisis. Hasil evaluasi menunjukkan bahwa model XGBoost mencapai akurasi sebesar 98%, dengan precision 1,00, recall 0,94, dan f1-score 0,97 untuk kelas Ringan; precision 0,90, recall 1,00, dan f1-score 0,95 untuk kelas Sedang; serta precision 1,00, recall 0,98, dan f1-score 0,99 untuk kelas Berat.

Page 47 of 53 | Total Record : 522

 45   46   47   48   49 

Filter by Year

2015 2025


Reset
Filter By Issues
All Issue 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