Indonesian Journal on Computing (Indo-JC)
Indonesian Journal on Computing (Indo-JC) is an open access scientific journal intended to bring together researchers and practitioners dealing with the general field of computing. Indo-JC is published by School of Computing, Telkom University (Indonesia).
Articles
198 Documents
<![CDATA[Implementasi Social Network Analysis pada Penyebaran Country Branding “Wonderful Indonesia” ]]>
<![CDATA[Mahdi Shiddieqy Setatama]]>;
<![CDATA[Dodie Tricahyono]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 2 No. 2 (2017): September, 2017 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2017.2.2.183
<![CDATA[Dalam upaya mencapai target pertumbuhan industri pariwisata dan meningkatkan jumlah kedatangan wisatawan asing, Kementerian Pariwisata melakukan berbagi upaya yang salah satunya adalah dengan merambah pemasaran online menggunakan situs jejaring sosial. Penelitian ini dilakukan dengan tujuan untuk memodelkan, menganalisis dan mengevaluasi proses penyebaran informasi mengenai country branding “Wonderful Indonesia” pada top platform situs jejaring sosial Google Plus, Twitter dan Facebook dengan menggunakan pendekatan social network analysis. Dalam penelitian ini akan dilakukan visualisasi jaringan dengan menggunakan metode undirected graph, kemudian menghitung nilai properti jaringan dan mengukur nilai centrality untuk mengidentifikasi aktor-aktor berpengaruh di dalam jaringan. Berdasarkan hasil penelitian, diketahui pola interaksi penyebaran country branding “Wonderful Indonesia” pada ketiga top platform menunjukan pola yang terpecah-pecah ke dalam sub-sub jaringan (komunitas). Terdapat 37 komunitas pada platform Google Plus, 272 komunitas pada plaform Twitter dan 54 komunitas pada plaform facebook. Kemudian Twitter unggul dalam enam atribut properti jaringan sehingga dinilai memiliki performa penyebaran yang lebih baik dibanding dengan jaringan pada platform Google Plus dan Facebook. Berdasarkan hasil hitung centrality maka diketahui akun Tri Rini Nuringtyas pada platform Google Plus, akun SportourismID pada platform Twitter dan akun PlaneTourIndonesia pada platform Facebook merupakan aktor-aktor yang paling berpengaruh dan dapat diberdayakan oleh Kementerian Pariwisata Republik Indonesia untuk meningkatkan penyebaran country branding dan kampanye pariwisata “Wonderful Indonesia”.]]>
<![CDATA[Simulasi Berbagai Situasi Traffic Flow dengan Metode Cell Transmission Model ]]>
<![CDATA[Agung Ferdiana]]>;
<![CDATA[Putu Harry Gunawan]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2018.3.2.230
<![CDATA[Penelitian ini membahas mengenai penerapan metode cell transmission model untuk menyimulasikan berbagai kondisi lalu lintas. Metode ini relatif sederhana sehingga mudah untuk dikembangkan. Pendekatan menggunakan cell transmission model termasuk pendekatan makroskopik yang mana mengkaji perilaku kendaraan tidak secara individu, melainkan secara kelompok. Pada penelitian ini, metode cell transmission model digunakan untuk menyimulasikan berbagai kasus kemacetan lalu lintas yang diakibatkan karena penyempitan jalan, penutupan jalan selama beberapa waktu, dan kasus adanya penggabungan/merge jalan kecil dengan jalan raya. Untuk simulasi kasus adanya penggabungan/merge, perlu diterapkan metode cell transmission model dengan modifikasi. Hasil simulasi dengan metoda cell transmission model menunjukkan berbagai situasi traffic yang sesuai dengan pengamatan kita sehari-hari.]]>
<![CDATA[IoT on Heart Arrhythmia Real Time Monitoring ]]>
<![CDATA[Muhammad Alif Akbar]]>;
<![CDATA[Satria Mandala]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2018.3.2.170
<![CDATA[Monitoring jantung telah populer sejak 5 tahun terakhir. Hal ini ditandai dengan munculnya berbagai produk monitoring jantung berbasis wearable sensor. Umumnya komunikasi yang digunakan pada sistem tersebut adalah menggunakan radio telemetri dengan biaya opera- sional yang mahal. Beberapa riset mencoba menggunakan konsep internet of things (IoT) untuk mengatasi hal tersebut. Namun demikian, desain komunikasi IoT yang ada belum efisien. Ini disebabkan riset yang ada hanya berfokus pada bagaimana hasil baca sensor dapat dipantau secara realtime. Untuk mengatasi hal tersebut, riset ini mengusulkan sebuah arsitektur IoT berbasis cloud untuk memonitor aritmia, salah satu jenis penyakit jantung yang umum ditemukan. Deteksi aritmia yang diusulkan adalah pengembangan algoritma deteksi aritmia berbasis Tsipuras et al, dengan menggunakan deteksi fitur R. Sistem yang diusulkan pada paper ini telah diuji menggunakan dataset MIT-BIH dan menghasilkan akurasi 93.11% terhadap 3 kelas aritmia, yaitu PAC, PVC dan VT. Menariknya, dengan penerapan IoT, efisiensi algoritma deteksi fitur R meningkat 30% dibanding yang diusulkan oleh Pan dan Tompkins. Terbukti dengan rendahnya waktu rata-rata eksekusi tiap sampel data, yaitu sekitar 0.00749 ms.]]>
<![CDATA[Prediksi Curah Hujan Menggunakan Gerak Brown dan Rataan Tahunan Data Pada Missing Values ]]>
<![CDATA[Nur Nining Aulia]]>;
<![CDATA[Putu Harry Gunawan]]>;
<![CDATA[Aniq Atiqi Rohmawati]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2018.3.2.233
<![CDATA[Air hujan yang turun dapat menimbulkan dampak negatif dan positif ke berbagai makhluk hidup yang ada di bumi. Salah satu dampak negatif yang ditimbulkan adalah banjir, sedangkan dampak positif yang ditimbulkan pada bidang teknologi adalah sebagai sumber listrik tenaga air. Sehingga untuk memaksimalkan dampak positif dan meminimalisir dampak negatif daricurah hujan maka dilakukan prediksi. Pada jurnal ini dilakukan prediksi curah hujan dengan menggunakan metode Monte Carlo dengan Gerak Brown. Sebelum memprediksi curah hujan terlebih dahulu menghitung rata-rata dan volatilitas pada data yang telah di normalisasi. Prediksi dilakukan sebanyak 10,50, 100, 150 dan 200 kali iterasi. Pada iterasi-200 didapatkan nilai RMSE sebesar 20.6875, 13.9811, 20.6112 dan 20.293 untuk masing-masing empat stasiun secara berurutan.]]>
<![CDATA[Analisis dan Implementasi pendekatan Hybrid untuk Sistem Rekomendasi Pekerjaan dengan Metode Knowledge Based dan Collaborative Filtering ]]>
<![CDATA[Sari Rahmawati]]>;
<![CDATA[Dade Nurjanah]]>;
<![CDATA[Rita Rismala]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2018.3.2.210
<![CDATA[Mencari pekerjaan secara online dapat menjadi kendala tersendiri baik pada pada pelamar pekerjaan maupun pada perusahaan yang mencari karyawan. Saat ini banyak pelamar dan perusahaan lebih memilih menggunakan situs rekruitasi online dibandingkan mencari dengan menggunakan mesin pencari. Recommender system menjadi salah satu kelebihan dari website rekruitasi karena website menyimpan informasi profil pekerja lalu memberikan rekomendasi sesuai dengan data yang mereka dapatkan. Pada penelitian ini penulis membuat hybrid recommender system dengan menggabungkan dua teknik yaitu knowledge based recommender system yang akan merekomendasikan pekerjaan berdasarkan profil user, kualifikasi pekerjaan dan pengaruh dari user lain yang akan memberikan rekomendasi pekerjaan berdasarkan user lain yang memiliki kesamaan. Hasil prediksi dari 2 metode itu akan digabungkan berdasarkan social aperture yang diberikan. Berdasarkan hasil pengujian hybrid recommender system memberikan hasil terbaik untuk memprediksi interaksi dan memberikan rekomendasi berdasarkan hasil RMSE dan f1 score.]]>
<![CDATA[Kategorisasi Berita Menggunakan Metode Pembobotan TF.ABS dan TF.CHI ]]>
<![CDATA[Muhammad Arif Kurniawan]]>;
<![CDATA[Yuliant Sibaroni]]>;
<![CDATA[Kemas L Muslim]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2018.3.2.236
<![CDATA[Dengan kemajuan teknologi saat ini, berita dapat ditemukan dengan mudah dan berjumlah sangat banyak dalam bentuk digital yang menyebabkan diperlukannya suatu teknik untuk mengkategorikan berita-berita tersebut ke dalam topik tertentu agar mempermudah pembaca menemukan berita sesuai dengan topik yang diinginkan. Kategorisasi teks merupakan suatu teknik yang dapat mengkategorikan berita ke dalam topik yang telah ditentukan secara otomatis. Salah satu proses yang penting dalam kategorisasi adalah ekstraksi fitur yang mana unigram binary merupakan salah satu ekstraksi fitur yang dasar dibandingkan dengan term weighting yang dalam penelitian ini akan menggunakan metode pembobotan TF.ABS dan TF.CHI untuk memperoleh hasil kategorisasi berita yang optimal. Berdasarkan hasil pengujian, rata-rata akurasi yang didapatkan dari tiga sumber data pada ekstraksi fitur unigram binary sebesar 90.44%. Sedangkan pada metode pembobotan TF.ABS sebesar 95.74% dan TF.CHI sebesar 95.87%. Berdasarkan hasil akurasi tersebut, dapat disimpulkan bahwa term weighting lebih baik dibandingkan dengan unigram binary. Metode pembobotan TF.ABS dan TF.CHI sama-sama baik dalam kategorisasi karena tidak berbeda secara signifikan dalam performansinya. Pada hasil pengujian lainnya menunjukkan bahwa proses stemming tidak memberikan banyak pengaruh terhadap akurasi kategorisasi berita, namun proses ini dapat mengefisiensikan waktu hingga 45%.]]>
<![CDATA[Model GARCH dengan Pendekatan Conditional Maximum Likelihood untuk Prediksi Harga Saham ]]>
<![CDATA[Cipta Rahmadayanti]]>;
<![CDATA[Hasbi Rabbani]]>;
<![CDATA[Aniq Atiqi Rohmawati]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2018.3.2.223
<![CDATA[Jual beli saham merupakan salah satu bentuk investasi yang menjanjikan para investor, investasi berkaitan dengan return atau keuntungan yang didapatkan oleh suatu investor atas suatu investasi yang dilakukan terhadap saham tertentu. Untuk mendapatkan nilai return pada beberapa periode kedepan dapat dilakukan prediksi, pada dasarnya prediksi dapat dilakukan dengan menggunakan beberapa metode, namun dengan menggunakan model time series diharapkan menghasilkan prediksi yang baik karna karakteristik dari data saham merupakan data time series yang bergerak kontinu terhadap waktu. Pada penelitian ini digunakan model time series Autoregressive (AR) dengan pendekatan Conditional Maximum Likelihood untuk memprediksi nilai return serta dapat melihat pergerakan harga saham. Nilai parameter yang penting pada model Autoregressive orde 1 adalah . Hasil penaksiran parameter dengan Conditional Maximum Likelihood digunakan untuk memperoleh nilai hasil prediksi. Berdasarkan hasil analisis, model Autoregressive dengan pendekatan Conditional Maximum Likelihood adalah model yang baik untuk memprediksi return dan harga saham NASDAQ dengan RMSE sebesar 0,0002578. Berdasarkan hasil prediksi model AR(1), maka para investor dapat membuat strategi untuk berinvestasi pada indek saham NASDAQ agar dapat menghasilkan keuntungan.]]>
<![CDATA[PEMILIHAN PORTOFOLIO SAHAM DENGAN MENGGUNAKAN WEIGHTED FREQUENT ITEMSETS ]]>
<![CDATA[Resi Annisa Nur]]>;
<![CDATA[Deni Saepudin]]>;
<![CDATA[Rian Febrian Umbara]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2018.3.2.239
<![CDATA[Portofolio saham merupakan sekumpulan saham yang dimiliki oleh berbagai sektor untuk menjadi bukti kepemilikan para investor. Saham tersebut memiliki jumlah proporsi yang berbeda. Tujuan dari Tugas Akhir adalah untuk membuat sebuah portofolio saham dengan memilih itemsets saham yang memenuhi persyaratan, yaitu minimum return dan minimum diversifikasi. Penelitian ini menggunakan pendekatan algoritma data mining yaitu weighted frequent itemsets. Weighted frequent itemsets merupakan teknik pemisahan data saham yang bertujuan untuk menemukan hubungan atau korelasi pada sekumpulan dataset yang akan dipilih. Dataset yang digunakan untuk pemilihan portofolio saham diambil dari Yahoo Fianace (2018), data yang digunakan diambil dari Tanggal 1 Januari 2008 hingga 31 Desember 2017. Pengujian yang dilakukan yaitu dengan menetapkan minimum return 3%, 4%, 5%. Untuk itemsets saham yang dipilih, terdiri dari banyak saham yang melebihi minimum return dan terdiversifikasi pada sektor-sektor yang berbeda. Dari hasil pengujian yang dilakukan, kinerja portofolio saham yang diperoleh melebihi IHSG (Indeks Harga Saham Gabungan) berdasarkan skenario secara periodik dengan menggunakan data yang diupdate. Kata kunci : diversifikasi, portofolio saham, weighted frequent itemsets.]]>
<![CDATA[Implemetasi Model Autoregressive (AR) Dan Autoregressive Conditional Heteroskedasticity (ARCH) Untuk Memprediksi Harga Emas ]]>
<![CDATA[Ni Luh Ketut Dwi Murniati]]>;
<![CDATA[Indwiarti Indwiarti]]>;
<![CDATA[Aniq Atiqi Rohmawati]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2018.3.2.225
<![CDATA[Gold is a one of high selling value items in the market, and it can be used as an investment item. The price of gold in the market tends to be stable and not undergoing too significant changes which makes gold be a very valuable item. The aim of this research is to predict gold price using AR (1) and ARCH (1) model which are the part of time series methods. The data of gold price is obtained from ANTAM's daily historical website from 2007 - 2017. Here, the basic information about data is given by using descriptive statistic and the estimation of parameters in each model is condacted by using Maximum Likelihood Estimation (MLE). To evaluate the model, Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) are used. In this research, the estimated model of AR (1) and ARCH (1) given as X_t = -0.012X_{t-1}+epsion_t and X_t = epsilon_t sqrt{0.000053+0.011958X^2_{t-1}} respectively. Moreover, the result of MAE and RMSE using AR (1) model are 0.0261 and 0.0342 respectively, meanwhile for ARCH (1) model are 0.0170 and 0.0251 respectively.]]>
<![CDATA[Simulasi Berbagai Situasi Traffic Flow Menggunakan Persamaan Kinematik dan Implementasi Metode Finite Volume ]]>
<![CDATA[Yoreza Mandala Putra]]>;
<![CDATA[Putu Harry Gunawan]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2018.3.2.229
<![CDATA[Jurnal ini membahas mengenai aliran lalu lintas yang dimodelkan dengan persamaan kinematik Lightill, Whitman, dan Richard (LWR). Skema numerik finite volume diterapkan untuk menyelesaikan persamaan tersebut. Skema ini digunakan untuk menyimulasikan dua kondisi penting, yaitu: bertambahnya panjang antrian kendaraan (shock wave), dan terurainya tumpukan kendaraan saat lampu hijau mulai menyala (rarefaction wave). Selanjutnya skema juga digunakan untuk mensimulasikan bertambahnya kepadatan lalu lintas akibat penyempitan ruas jalan, serta akibat penutupan jalan.Kata Kunci:persamaan Kinematic LWR, shock wave, rarefaction wave, metode finite volume]]>
