cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Muliadi
Contact Email
muliadi@ulm.ac.id
Phone
+6285228102971
Journal Mail Official
klik@ulm.ac.id
Editorial Address
Jl. A. Yani, KM. 36, PRODI ILMU KOMPUTER Lingkungan Fakultas Matematika dan Pengetahuan Alam Universitas Lambung Mangkurat, Gedung II, Lt. 3, Banjarbaru klik@ulm.ac.id
Location
Kota banjarmasin,
Kalimantan selatan
INDONESIA
KLIK (Kumpulan jurnaL Ilmu Komputer) (e-Journal)
Published by Universitas Lambung Mangkurat
ISSN : 24067857     EISSN : 2443406X     DOI : http://dx.doi.org/10.20527/klik.v6i3
Core Subject : Science,
Computer Science & IT
KLIK Scientific Journal, is a computer science journal as source of information in the form of research, the study of literature, ideas, theories and applications in the field of critical analysis study Computer Science, Data Science, Artificial Intelligence, and Computer Network, published two times a year every month of February and September
Arjuna Subject : Ilmu Komputer (semua kategori) - Kecerdasan Buatan
Articles 247 Documents
 20   21   22   23   24 
KOMPARASI ALGORITMA NAïVE BAYES, SUPPORT VECTOR MACHINE, DAN LOGISTIC REGRESSION PADA ANALISIS SENTIMEN PENGGUNA APLIKASI TRANSPORTASI ONLINE Krisna Perdana Jaya Sitompul; Adi Rizky Pratama; Kiki Ahmad Baihaqi
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 10, No 1 (2023)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v10i1.616

Abstract

Online transportation is one of the transportation that is increasingly in demand by the public at this time. Grab is an online transportation application that has many users in Indonesia. However, this system certainly has many shortcomings that are felt by users. One way to find out user satisfaction and disappointment with the application is to do sentiment analysis. By analyzing the deficiencies of the application, the company can find out the shortcomings of the application and how to fix it. The purpose of this study is to compare the accuracy between the Support Vector Machine, Naive Bayes, and Logistic Regression algorithms by conducting sentiment analysis on Grab application review data. The results of the comparative test found that the Naive Bayes algorithm has the best performance compared to other classification algorithms with an accuracy obtained by the Naive Bayes algorithm of 88.5%, while the Support Vector Machine algorithm has the lowest accuracy with an accuracy of 85.5%. So it can be concluded that the Naive Bayes algorithm has a better value than the Logistic Regression and Support Vector Machine algorithms. Keywords: Grab, Support Vector Machine, Naive Bayes, Logistic Regression Transportasi online adalah salah satu transportasi yang semakin diminati masyarakat pada saat ini. Grab adalah alah  satu  aplikasi  trasportasi online  yang  memiliki  pengguna  bisa  dikatakan  banyak  di  Indonesia. Namun  dalam  system  ini  pasti  memiliki banyak  kekurangan  yang  dirasakan  penggunanya. Salah satu cara untuk mengetahui kepuasan dan kekecewaan pengguna terhadap aplikasi tersebut yaitu melakukan analisis sentimen.  Dengan  menganalisis  kekurangan  dari  aplikasi  perusahaan dapat mengetahui kekurangan dari aplikasi dan bagaimana cara memperbaikinya. Tujuan penelitian ini untuk mengetahui perbandingan keakurasian antara algoritma Support Vector Machine, Naive Bayes, dan Logistic Regression dengan melakukan analisis sentimen pada data ulasan aplikasi Grab . Hasil pengujian komparasi ditemukan bahwa algoritma Naive bayes memiliki kinerja terbaik dibandingkan algoritma klasifikasi lainnya dengan akurasi yang di dapat algoritma Naive bayes sebesar 88.5%, sedangkan algoritma Support Vector Machine memiliki akurasi terendah dengan akurasi sebesar 85.5%. Sehingga dapat disimpulkan bahwa algoritma Naive bayes memiliki nilai yang lebih baik dibandingkan algoritma Logistic Regression dan Support Vector Machine.Kata kunci: Grab, Support Vector Machine, Naive Bayes, Logistic Regression
IMPLEMENTATION OF BRUTE-FORCE ALGORITHM AND BACKTRACKING ALGORITHM FOR FIREFIGHTING ROBOT SIMULATION Tegar Arifin Prasetyo; Rudy Chandra; Wesly Mailander Siagian; Tahan HJ Sihombing; Sarbaini Sarbaini
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 10, No 1 (2023)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v10i1.456

Abstract

In general, a robot is defined as a mechanical device used by humans to ease human work. Robots are usually used for difficult and dangerous tasks. One example of its use is a firefighting robot that replaces human tasks in extinguishing fires. The firefighting robot is on duty to find fire spots in a city then extinguishing them. To be able to put out a fire, the robot must implement an efficient program in finding and determining the shortest path to the location of the fire and then put it out. For this reason, the robot is equipped with proximity and fire sensors to detect the presence of fire. The design is made with a three-step program that is designing needs of robot control, robot control mechanism scheme preparation and implementing an algorithm for making program syntax. The Brute-Force Algorithm can be implemented to indicate the presence of a hotspot signal and the backtracking Algorithm is implemented to find the shortest path to the hotspot location. This paper discusses the use of a brute-force algorithm and a backtracking algorithm in a firefighting robot program to make the fire search process more efficient. The results show that from 8 input fire points, the firefighting robot is able to find all the points within 3.12 seconds with 13 times trial. In its application, the writer used Visual Basic 6.0 in the firefighting robot program.Keywords: Firefighting Robot, Brute-Force Algorithm, and Backtracking Algorithm.Secara umum robot didefinisikan sebagai suatu alat mekanik yang digunakan oleh manusia untuk mempermudah pekerjaan manusia. Robot biasanya digunakan untuk tugas-tugas yang sulit dan berbahaya. Salah satu contoh penggunaannya adalah robot pemadam kebakaran yang menggantikan tugas manusia dalam memadamkan api. Robot pemadam kebakaran bertugas untuk menemukan titik api di suatu kota kemudian memadamkannya. Untuk dapat memadamkan api, robot harus menerapkan program yang efisien dalam mencari dan menentukan jalur terpendek menuju lokasi kebakaran kemudian memadamkannya. Untuk itu, robot dilengkapi dengan proximity dan fire sensor untuk mendeteksi adanya api. Perancangan dibuat dengan tiga langkah program yaitu perancangan kebutuhan pengendalian robot, penyusunan skema mekanisme kendali robot dan implementasi algoritma untuk pembuatan sintaks program. Algoritma Brute-Force dapat diimplementasikan untuk menunjukkan adanya sinyal hotspot dan Algoritma backtracking diimplementasikan untuk mencari jalur terpendek ke lokasi hotspot. Penelitian ini membahas tentang penggunaan algoritma brute force dan algoritma backtracking pada simulasi program robot pemadam kebakaran agar proses pencarian kebakaran menjadi lebih efisien. Hasil penelitian menunjukkan bahwa dari 8 input titik api, robot pemadam kebakaran mampu menemukan semua titik dalam waktu 3,12 detik dengan 13 percobaan. Dalam penerapannya penulis menggunakan Visual Basic 6.0 pada program robot pemadam kebakaran. Kata kunci: Robot Pemadam Kebakaran, Algoritma Brute-Force, dan Backtracking.
PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DENGAN DECISION TREE PADA APLIKASI RUANG GURU Indi Nurul Hassanah; Sutan Faisal; Amril Mutoi Siregar
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 10, No 1 (2023)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v10i1.602

Abstract

Mobile Learning is electronic-based learning using a computer or computer-based. One of the most widely known Mobile Learning applications today is Ruang Guru. One way to determine the success of an application is to do a sentiment analysis of the application. The purpose of this study was to find the best accuracy model for classifying data in the SVM and Decision Tree algorithms. The data is taken from the comments column in the playstore on the Ruang Guru application as much as 1500 data. Then the data is labeled into 2 classes, namely positive and negative. After that, the data is divided into 70% training data and 30% testing data. The results of the comparison show that the best test model for sentiment classification cases is found in the SVM algorithm with an accuracy value of 84.2%, while the Decision Tree algorithm gets an accuracy value of 70%. So it can be concluded that the SVM algorithm has a better value for classification of review data in the Ruang Guru application compared to the Decision Tree algorithm. Keywords: Ruang Guru, sentiment analysis, SVM, Decision Tree Mobile Learning merupakan pembelajaran berbasis elektronik dengan menggunakan komputer atau berbasis komputer. Salah satu aplikasi Mobile Learning yang banyak dikenal saat ini adalah Ruang Guru . Salah satu cara untuk mengetahui keberhasilan suatu aplikasi adalah dengan melakukan analisis sentimen terhadap aplikasi tersebut. Tujuan penelitian ini untuk menemukan pemodelan akurasi terbaik terhadap pengklasifikasian data pada algoritma SVM dan Decision Tree. Data diambil dari kolom komentar di playstore pada aplikasi Ruang Guru sebanyak 1500 data. Kemudian data tersebut dilabelkan menjadi 2 kelas yaitu positif dan negatif. Setelah itu, data dibagi 2 menjadi data training sebanyak 70% dan data testing 30%. Hasil perbandingan menunjukkan model uji terbaik untuk kasus klasifikasi sentimen terdapat pada algoritma SVM dengan nilai akurasi sebesar 84.2% sedangkan pada algoritma Decision Tree mendapatkan nilai akurasi sebesar 70%. Sehingga dapat disimpulkan bahwa algoritma SVM memiliki nilai yang lebih baik untuk klasifikasi data ulasan pada aplikasi Ruang Guru dibandingkan algoritma Decision Tree.Kata kunci: Ruang Guru, analisis sentimen, SVM, Decision Tree
IMPLEMENTATION OF ARTIFICIAL NEURAL NETWORK (ANN) USING BACKPROPAGATION ALGORITHM BY COMPARING FOUR ACTIVATION FUNCTIONS IN PREDICTING GOLD PRICES Dian Kurniasari; Ranti Vidia Mahyunis; Warsono Warsono; Aang Nuryaman
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 10, No 1 (2023)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v10i1.587

Abstract

The trend in global currency values is speedy and fluctuating due to the recession caused by the Covid-19 pandemic. That causes investors to flock to buy gold assets. Therefore, it is necessary to predict the price of gold from a business and academic perspective to obtain a reasonable gold price prediction model. This study applies the Backpropagation Algorithm by determining the best ANN model structure based on four activation functions: Sigmoid, Tanh, ReLU, and Linear, as well as learning rate values, namely 0.01 and 0.001. The results are the best ANN model structure with four nodes in the input layer, four nodes in the hidden layer and the output layer using the Linear activation function and a learning rate of 0.01. Based on the structure of the model, the MSE value is 0.00051, the MAPE value is 1.9798%, and the accuracy is 98%.Keywords: Artificial Neural Network, Backpropagation, Gold Price Prediction, Activation Function, Model Structure Trend nilai mata uang global sangat cepat dan fluktuatif akibat terjadinya resesi yang disebabkan oleh pandemi Covid-19. Hal ini menyebabkan, para investor berbondong-bondong untuk membeli aset emas. Oleh sebab itu, perlu dilakukan prediksi harga emas, baik dari perspektif bisnis maupun akademis agar memperoleh model prediksi harga emas yang baik. Penelitian ini menerapkan Algoritma Backpropagation dengan menentukan struktur model ANN terbaik berdasarkan empat fungsi aktivasi yaitu, Sigmoid, Tanh, ReLU, dan Linear serta nilai learning rate, yaitu 0,01 dan 0,001. Hasil yang diperoleh berupa struktur model ANN terbaik dengan empat node pada input layer, empat node pada hidden layer dan output layer dengan menggunakan fungsi aktivasi Linear dan learning rate sebesar 0,01. Berdasarkan struktur model tersebut, diperoleh nilai MSE sebesar 0.00051, nilai MAPE sebesar 1,9798% dan akurasi sebesar 98%.Kata Kunci: Artificial Neural Network, Backpropagation, Prediksi Harga Emas, Fungsi Aktivasi, Struktur Model
Pengembangan Service Master Pada Aplikasi SiakadCloud (Studi Kasus PT. SEVIMA) Aulia Ahmad Nabil; Didik Kurniawan; Astria Hijriani; Dwi Sakethi
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 10, No 2 (2023)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v10i2.549

Abstract

SiakadCloud adalah produk utama SEVIMA sebagai solusi manajemen akademik terintegrasi terlengkap, aman dan terbukti efektif dalam memfasilitasi manajemen pendidikan tinggi dan pelaporan PDDIKTI. SiakadCloud saat ini sedang dimigrasikan ke arsitektur microservice. Arsitektur microservice membuat aplikasi SiakadCloud harus dibagi menjadi bagian-bagian kecil. Penelitian ini bertujuan untuk mengembangkan sebuah layanan yang dapat digunakan untuk mengelola data master pada aplikasi SiakadCloud. Layanan ini disebut layanan master. Pengembangan dalam penelitian ini menggunakan metode waterfall. Pengembangan layanan dilakukan dengan menggunakan Framework Lumen. Penelitian ini menghasilkan sebuah layanan yang dapat mengelola data master untuk digunakan dan menjadi standar untuk pengembangan layanan lainnya.Keywords: API; Lumen; Microservice; PHPUnit; Swagger.
SALARY PREDICTION OF IT EMPLOYEES IN JAVA USING LINEAR REGRESSION ALGORITHM Rudy Chandra; Tegar Arifin Prasetyo; Sarbaini Sarbaini
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 10, No 2 (2023)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v10i2.635

Abstract

The payroll system is very influential on a company's workers' welfare in achieving company goals. Appropriate payroll will build morale for the workforce so that they can advance the company through the work ethic and professionalism of the crew. The salary calculation system for employees must be adjusted to several criteria, such as their city and job role. Long experience can also be used as a calculation criterion in providing salary. For this reason, an approach is needed to provide a decent and good salary prediction for the company's consideration. One of the models commonly used in making predictions is linear regression. Linear regression is a model that calculates the relationship between two variables with independent values and bound data. This research develops a system by implementing a Linear Regression algorithm to predict the salaries of IT employees in Java. The model that has been created is then built using the Python language and implemented into a website-based visualization form that is easy to understand with Streamlit. The modeling results were tested and gave an MSE value of 8240258.48. This research is expected to be a reference in research related to this topic in the future and can be used by companies that have difficulties in determining employee salaries
SISTEM PAKAR DIAGNOSA GANGGUAN KESEHATAN MENTAL MENGGUNAKAN ALGORITMA DEMPSTER SHAFER Ricky Perdana Kusuma; Chairun Nas
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 10, No 2 (2023)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v10i2.615

Abstract

AbstrakKesehatan mental merupakan keharmonisan dalam kehidupan yang terwujud antara fungsi-fungsi jiwa seperti kemampuan menghadapi problematika, merasakan kebahagiaan dan menjadikan dirinya secara positif. Dalam kondisi terganggunya kesehatan mental, proses diagnosa gangguan mental sulit dan membutuhkan waktu lama untuk dilakukan, diakibatkan gejala gangguan bisa tergantung pada kondisi penderita dan pola hidupnya. Tujuan dari penelitian ini membantu mendiagnosa gangguan mental yang dialami oleh pasien dengan menggunakan sistem pakar. Dalam penelitian ini, terdapat 30 data gejala dari 6 jenis gangguan mental dengan nilai bobot kepercayaan (Belief) masing-masing gejala terhadap jenis gangguan mentalnya. Data tersebut dilakukan pengolahan dengan menggunakan algoritma Dempster Shafer untuk memperoleh nilai total kepercayaan terhadap gangguan mental. Dari penelitian ini, dihasil nilai kepercayaan sebesar 97% dari suatu gangguan mental pasien. Maka algoritma Dempster Shafer dapat diterapkan pada sistem pakar ini untuk mendiagnosa gangguan mental yang dialami oleh pasien, sehingga membantu psikolog dalam mengambil keputusan dan memberi penanganan yang tepat.Kata kunci: Sistem Pakar, Gangguan Mental, Dempster Shafer, Belief
Peningkatan Akurasi Metode C4.5 Untuk Memprediksi Kelayakan Kredit Berbasis Stratified Sampling Dan Optimize Selection Ardiyansyah Ardiyansyah; Rabiatus Saadah; Lisnawanty Lisnawanty; Deasy Purwaningtias
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 10, No 2 (2023)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v10i2.636

Abstract

Pembiayaan kredit merupakan penyedia dana yang memberikan pinjaman yang berdasarkan perjanjian antara nasabah dan bank dengan syarat peminjam harus melunasi pinjamannya pada waktu tertentu. Tujuan dari penelitian ini dilakukan adalah untuk meningkatkan akurasi algoritma C4.5 dalam memprediksi kelayakan kredit. Algoritma stratified sampling digunakan untuk mengatasi jumlah data yang besar, sedangkan algoritma optimize selection digunakan untuk menentukan atribut terbaik. Penerapan algoritma stratified sampling dan optimize selection pada C4.5 memiliki tingkat akurasi sebesar 80%, lebih tinggi dari algoritma yang lainnya. Sehingga dapat disimpulkan bahwa pada penelitian ini algoritma stratified sampling dan optimize selection merupakan algoritma terbaik dalam meningkatkan akurasi serta mengatasi kekurangan algoritma C4.5.   
CLUSTERING BIDANG KEAHLIAN MAHASISWA PADA UIN GUSDUR PEKALONGAN DENGAN ALGORITMA K-MEANS Muhammad Rikzam Kamal
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 10, No 2 (2023)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v10i2.544

Abstract

Assigning students to their area of expertise, appropriate calculation methods are needed so that good results can be achieved. When dividing the field of expertise, many students will find it difficult to determine the area of expertise to be taken. Therefore, recommendations are needed for them, although of course it is not easy to recommend so many students because of the large amount of data that has very many fields and records. In this study, clustering of student expertise in majors at the State Islamic University K.H. Abdurrahman Wahid Pekalongan with the k-means algorithm. The results of the clustering process show that for the numerical measure manhattan distance using the KPI majors dataset gets the best Davies Bouldin value, while the MD department dataset for the Chebychev distance numerical measure shows the best Davies Bouldin value. Overall, all data from the KPI and MD majors can be grouped properly using the k-means algorithm.
IMPLEMENTASI TEKNOLOGI BLOCKCHAIN DAN SMARTCONTRACT STUDI KASUS PADA PENGELOLAAN SISTEM INFORMASI PRESTASI MAHASISWA DI UNIVERSITAS SEMARANG basworo ardi pramono; Soiful Hadi; astrid novita putri
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 10, No 2 (2023)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v10i2.621

Abstract

Student achievement is an important point that is taken into account in determining a university accreditation. Free College Curriculum requires students to be creative in participating in activities and achievements outside of lectures. In this case, it becomes a complex factor and condition in considering and determining student achievement scholarships in the national and international scope. In this case, a blockchain technology is needed that can support managing student achievement data and verifying it from university management, so that it can increase student productivity in developing their achievements. As well as the data stored is Private Data which is very necessary for guaranteed and protected security which is not easy to hack and can track information easily and can only be done by the parties involved. So that information can be shared transparently. This research uses the RAD (Rapid Application Development) Model System Development Method, the Blockchain Algorithm Problem Solving Method and the Open Source Software used by Solidity. It is hoped that this research can increase trust and benefit both parties. Semarang university transparently

Page 22 of 25 | Total Record : 247

 20   21   22   23   24 

Filter by Year

2014 2024


Reset
Filter By Issues
All Issue Vol 11, No 2 (2024) Vol 11, No 1 (2024) Vol 10, No 3 (2023) Vol 10, No 2 (2023) Vol 10, No 1 (2023) Vol 9, No 3 (2022) Vol 9, No 2 (2022) Vol 9, No 1 (2022) Vol 8, No 3 (2021) Vol 8, No 2 (2021) Vol 8, No 1 (2021) Vol 7, No 3 (2020) Vol 7, No 2 (2020) Vol 7, No 1 (2020) Vol 6, No 3 (2019) Vol 6, No 2 (2019) Vol 6, No 1 (2019) Vol 5, No 2 (2018) Vol 5, No 1 (2018) Vol 4, No 2 (2017) Vol 4, No 1 (2017) Vol 3, No 2 (2016) Vol 3, No 1 (2016) Vol 2, No 2 (2015) Vol 2, No 1 (2015) Vol 1, No 1 (2014) More Issue