Garuda - Garba Rujukan Digital

Article Per Year (5 Year)

All

JIKO (Jurnal Informatika dan Komputer)

jiko
Website

Published by Universitas Teknologi Digital Indonesia

ISSN : 24774413 EISSN : 24773964 DOI : https://doi.org/10.26798/jiko

Core Subject : Science,

Computer Science & IT

JIKO (Jurnal Informatika dan Komputer) is a scientific journal published by Lembaga Penelitian dan Pengabdian Masyarakat of Universitas Teknologi Digital Indonesia (d.h STMIK AKAKOM) Yogyakarta, Indonesia. First published in 2016 for a printed and online version. We receive original research articles and any review papers. The aims of JIKO are to disseminate research results and to improve the productivity of scientific publications. JIKO is published in February and September with the scopes and focus of the research areas that are: Software Engineering, Information Systems, Computer Science Applications, Computer Networks and Communications, and Artificial Intelligence.

Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)

Articles 7 Documents

Search results for , issue "Vol 5, No 2 (2021): Februari 2021" : 7 Documents clear

RESPON MASYARAKAT TERHADAP KEBIJAKAN PSBB SEBAGAI PENEKAN ANGKA COVID-19 Garinca Firgiana Santoso; Pramudya Kusuma; Ria Dotul Ilmia; Astry Julyana Eliawati; Elvera Wahyu Triana; Arul Fathurrahman; Rani Nooraeni
JURNAL INFORMATIKA DAN KOMPUTER Vol 5, No 2 (2021): Februari 2021
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Coronavirus Disease 2019 (covid-19) berdampak besar bagi Provinsi DKI Jakarta sebagai pusat perekonomian dan pemerintahan. Berita pemberlakuan kembali PSBB total di DKI Jakarta sebagai rem darurat lonjakan kasus covid-19 menimbulkan reaksi pro dan kontra dari masyarakat. Penelitian ini bertujuan untuk mengelompokkan dan meringkas respon tweet masyarakat terhadap penerapan kembali kebijakan PSBB total di DKI Jakarta. Data yang digunakan pada penelitian ini yaitu 798 tweet dari twitter dengan kata kunci “PSBB”. Data tersebut diolah menggunakan software RStudio. Data tweet dikelompokkan menjadi tiga klaster, setiap klaster memiliki karakteristik yang berbeda, yaitu terdiri dari kelompok mendukung, menolak, dan netral terhadap PSBB. Metode pengelompokan tweet menggunakan K-Means Clustering. Penelitian ini juga meringkas tweet di setiap klaster menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Hasil penelitian ini menunjukkan bahwa dari 798 tweet yang digunakan, terdapat 44 persen tweet pada klaster menolak, 43 persen tweet pada klaster netral, dan 13 persen tweet pada klaster positif. Ringkasan kata penting pada klaster menolak terdiri dari kata “anjing”, “darurat”, “gajelas”, dan “sedih”. Ringkasan pada klaster netral terdiri dari kata “keliling”, “kelar”, “lapang”, dan “lumayan”. Sementara itu, ringkasan pada klaster mendukung terdiri dari kata “giat”, “sukses”, “fokus”, “pulih”, dan “sungguh”.

ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP KASUS PENEMBAKAN LASKAR FPI OLEH POLRI DENGAN METODE NAIVE BAYES CLASSIFIER Resti Noor Fahmi; Nursyifa Nursyifa; Aji Primajaya
JURNAL INFORMATIKA DAN KOMPUTER Vol 5, No 2 (2021): Februari 2021
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Perkembangan teknologi informasi yang semakin meningkat membuat masyarakat dengan mudah mendapatkan berbagai informasi hanya melalui media sosial seperti Twitter. Twitter adalah aplikasi jejaring sosial andalan dan sumber informasi peristiwa dunia. Salah satu informasi yang ramai diperbincangkan hingga trending topic di Twitter ialah kasus penembakan enam anggota laskar Front Pembela Islam (FPI) oleh Polri. Berbagai opini muncul mengenai kasus ini, baik opini positif, netral maupun negatif. Penelitian ini bertujuan untuk menganalisis tanggapan masyarakat mengenai peristiwa penembakan anggota laskar FPI oleh Polri, yang dapat mempengaruhi kepercayaan masyarakat akan kredibilitas kinerja Polri. Penelitian ini menggunakan metodologi Knowledge Discovery in Database (KDD) dan metode Naïve Bayes Classifier. Data yang akan digunakan ialah hashtag dari tweet dengan kata kunci #usuttuntaspenembakanLASKARFPI, #usuttuntaspembunuhan6laskarFPI, dan #TuntaskanTragediKM50 dengan jumlah dataset sebanyak 269 tweet. Hasil dari penelitian ini adalah analisis sentimen terhadap kasus penembakan anggota laskar FPI oleh Polri. Performa klasifikasi metode Naïve Bayes Classifier memperoleh hasil akurasi 98.51% , precision 98,97%, recall 97,40%, dan kappa 0,973.

EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER (STUDI KASUS : UNIVERSITAS BINA DARMA) Muhammad Nasir; Verawaty Verawaty; Vivi Sahfitri
JURNAL INFORMATIKA DAN KOMPUTER Vol 5, No 2 (2021): Februari 2021
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Kinerja akademik mahasiswa merupakan hal yang sangat penting untuk di evaluasi sehingga dengan evaluasi tersebut dapat ditemukan faktor-faktor yang mendukung peningkatan kinerja akademik. Penelitian telah melakukan klasifikasi kinerja akademik berdasarkan data akademik mahasiswa tahun akademik 2010-2014 yang diperoleh dari Direktorat akademik Universitas Bina Darma menggunakan metode data mining. Sebagai dasar proses klasifikasi, atribut yang digunakan dalam penelitian ini meliputi nomor induk mahasiswa, nama, jenis kelamin, asal sekolah, tempat tanggal lahir, kota asal, program studi, indeks prestasi semester, indeks prestasi kumulatif, target kelulusan. Dari data yang didapatkan, penulis melakukan proses pengklasifikasian data kedalam beberapa kategori, yaitu kinerja akademik tinggi , sedang, rendah, dan sangat rendah, serta kategori mahasiswa yang lulus tepat waktu atau tidak tepat waktu. Kemudian, dari hasil pengklasifikasian tersebut dapat digunakan sebagai solusi untuk menentukan kinerja akademik yang optimal. Berdasarkan hasil pengujian menggunakan metode klasifikasi naïve bayes Clasifier terhadap data set yang digunakan, diperoleh sebanyak 50,45% mahasiswa dikategorikan pada tingkat kinerja sedang, serta 61,64% mahasiswa menyelesaikan studinya dengan target tepat waktu atau paling lama 8 semester. Kata Kunci : Kinerja Akademik, Data Mining, Naive Bayes Classifier.

PERAMALAN PELAYANAN SERVICE MOBIL (AFTER SALE) MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK (BPNN) Novianti Puspitasari; Haviluddin Haviluddin; Arinda Mulawardani Kustiawan; Hario Jati Setyadi; Gubtha Mahendra Putra
JURNAL INFORMATIKA DAN KOMPUTER Vol 5, No 2 (2021): Februari 2021
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Mobil adalah salah satu alat transportasi darat yang penting, karena mobil dapat membantu manusia dalam beaktivitas khususnya untuk pergi dari satu tempat ke tempat lain. Hal ini membuat para produsen mobil berlomba-lomba untuk menciptakan mobil dengan kelebihan dan keunggulan, sehingga jumlah mobil dipasaran sangat banyak dan bervariasi. Seiring dengan meningkatkan jumlah mobil maka Agen Tunggal Pemegang Merk (ATPM) berlomba-lomba untuk memberikan pelayanan after-sale (service mobile). Namun, pihak perusahaan mengalami kesulitan dalam mengetahui laju pertumbuhan jumlah service mobile yang ditangani, sehingga memberikan kerugian yang berdampak pada sumber pendapatan. Oleh karena itu diperlukan sebuah metode baku dalam menentukan peramalan jumlah service mobil di tahun berikutnya. Penelitian ini mengimplementasikan metode Backpropagation Neural Network (BPNN) dalam peramalan pelayanan service mobil (after-sale) dan Mean Square Error (MSE) untuk metode pengujian akurasi hasil peramalan yang terbentuk. Adapun data yang digunakan pada penelitian ini adalah data pelayanan service mobil (after-sale) selama lima tahun terakhir. Hasil penelitian menunjukkan bahwa arsitektur terbaik untuk peramalan pelayanan after-sale menggunakan BPNN adalah model arsitektur 5-10-5-1 dengan learning rate sebesar 0,2 dan fungsi pembelajaran yaitu trainlm serta MSE sebesar 0,00045581. Hal ini membuktikan bahwa metode BPNN mampu memprediksi pelayanan service mobile (after-sale) dengan nilai akurasi peramalan yang baik.

KLASIFIKASI PENYAKIT PADI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) Benedict El Nino; Nia Kurnia; Mutia Agustin; Cika Oktavia; Nabilah Hasna Nuraini; Yayu Pratiwi Hidayat
JURNAL INFORMATIKA DAN KOMPUTER Vol 5, No 2 (2021): Februari 2021
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Penyakit padi seringkali menjadi masalah yang menyebabkan menurunnya hasil panen padi di Indonesia. Contohnya pada penyakit Brown Spot, terdapat bercak coklat yang berbentuk lingkaran dengan tepian berwarna kemerahan. Lama kelamaan, warna batang dan daun padi dewasa berubah menjadi kuning dan layu. Penyakit padi lainnya adalah penyakit blast, hawar daun, penyakit tungro, dll. Identifikasi dan pembelajaran lebih lanjut terhadap penyakit padi dapat menjadi acuan untuk menemukan solusi yang paling baik dalam menanggulangi defisit hasil panen. Oleh karena itu, penelitian ini akan menggunakan metode Support Vector Machine (atau biasa disebut SVM) untuk melakukan klasifikasi terhadap penyakit yang dialami oleh padi.

ANALISIS CLUSTER DENGAN ALGORITMA K-MEANS, FUZZY C-MEANS DAN HIERARCHICAL CLUSTERING (Studi Kasus: Indeks Pembangunan Manusia tahun 2019) Rizqina Rahmati
JURNAL INFORMATIKA DAN KOMPUTER Vol 5, No 2 (2021): Februari 2021
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

ABSTRAKAnalisis cluster adalah suatu metode data mining untuk mengelompokkan data atau objek yang didasrkan pada informasi yang ada untuk menggambarkan relasi yang terdapat antara objek tersebut. Analisis cluster bertujuan untuk membuat objek yang digabungkan dalam cluster memiliki persamaan yang tinggi dan berbeda antar cluster. Pembangunan IPM di setiap Kabupaten/Kota sangat tidak merata. Pengelompokan IPM ini dilakukan untuk mengetahui variable IPM yang harus di prioritaskan dalam pembangunan. Dalam penelitian ini digunakan tiga metode pengelompokan yaitu pengelompokkan dengan metode K-Means, Fuzzy C-Means dan Hierarchical clustering. Penentuan jumlah cluster yang optimal dan metode pengelompokan terbaik dengan membandingkan Indeks Silhouette, Davis Bouldin dan Calinski Harabasz dari ketiga metode pengelompokkan. Metode yang memiliki indeks optimal akan dipilih sebagai metode terbaik. Hasil yang didapat untuk pengelompokan data IPM Kabupaten/Kota tahun 2019 adalah terdapat 2 jumlah cluster optimal untuk metode K-Means dan Hierarchical dan 3 jumlah cluster untuk metode Fuzzy C-Means. Dengan membandingkan nilai validasi antar ketiga metode, didapat bahwa metode K-Means adalah metoode terbaik untuk pengelompokan data IPM Kabupaten/Kota tahun 2019.Kata kunci: IPM, K-Means, Fuzzy C-Means, Hierarchical, Silhouette, Davies Bouldin, Calinski Harabasz

ANALISIS SENTIMEN PADA TWITTER TERHADAP PROGRAM KARTU PRA KERJA DENGAN RECURRENT NEURAL NETWORK Rosit Sanusi; Femi Dwi Astuti; Indra Yatini Buryadi
JURNAL INFORMATIKA DAN KOMPUTER Vol 5, No 2 (2021): Februari 2021
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Twitter menjadi salah satu media sosial dengan jumlah pengguna aktif paling banyak di Indonesia. Dengan berlakunya program kartu prakerja sejak pendaftaran gelombang pertama hingga sekarang, banyak pengguna twitter di Indonesia yang menyampaikan pendapat dan gagasan mengenai program kartu prakerja melalui twitter. Oleh karena itu penelitian ini mencoba untuk menganalisa tweet berbahasa Indonesia yang membicarakan mengenai program kartu prakerja yang ditandai dengan kata kunci prakerja dalam tweet tersebut. Analisis sentimen dilakukan dengan menggunakan metode Reccurent Neural Network (RNN) dengan Long Short Term Memory (LSTM). Dalam penelitian ini data yang digunakan di crawling menggunakan bantuan Twitter API yang diambil pada periode bulan April 2020 sampai Januari 2021 sebanyak 4122 tweet. Penelitian menghasilkan sebuah sistem yang mampu melakukan klasifikasi sentimen (positif, netral dan negatif) terhadap sebuah tweet. Tingkat akurasi dari proses training yang didapat sebesar 95,66% serta tingkat akurasi dari proses testing sebesar 64,48%. Beberapa kendala dalam proses analisis sentimen adalah data untuk pembuatan model tidak seimbang sehingga menyebabkan overfitting,

Page 1 of 1 | Total Record : 7

Filter by Year

2021 2021

Filter By Issues

All Issue Vol 8, No 1 (2024): Februari 2024 Vol 7, No 2 (2023): SEPTEMBER 2023 Vol 7, No 1 (2023): Februari 2023 Vol 6, No 2 (2022): ReBorn -- September 2022 Vol 6, No 1 (2022): ReBorn - February 2022 Vol 5, No 2 (2021): Februari 2021 Vol 5, No 1 (2020): FEBRUARI - AGUSTUS 2020 Vol 4, No 2 (2019): SEPTEMBER - JANUARI 2020 Vol 4, No 1 (2019) Vol 3, No 2 (2018): SEPTEMBER - JANUARI 2019 Vol 3, No 1 (2018): FEBRUARI - AGUSTUS 2018 Vol 2, No 2 (2017): SEPTEMBER - JANUARI 2018 Vol 2, No 1 (2017): FEBRUARI - AGUSTUS 2017 Vol 1, No 2 (2017): SEPTEMBER - JANUARI 2017 Vol 1, No 1 (2016): FEBRUARI - AGUSTUS 2016 More Issue

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
Rikie Kartadie

Contact Email
ojs@akakom.ac.id

Phone
+6282135469911

Journal Mail Official
ojs@akakom.ac.id

Editorial Address
Jl. Raya Janti (Majapahit) No. 143 Yogyakarta, 55198 Telp. (0274)486664

Location
Kab. bantul,

Daerah istimewa yogyakarta

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name Rikie Kartadie

Contact Email ojs@akakom.ac.id

Phone +6282135469911

Journal Mail Official ojs@akakom.ac.id

Editorial Address Jl. Raya Janti (Majapahit) No. 143 Yogyakarta, 55198 Telp. (0274)486664

Location Kab. bantul, Daerah istimewa yogyakarta INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
Rikie Kartadie

Contact Email
ojs@akakom.ac.id

Phone
+6282135469911

Journal Mail Official
ojs@akakom.ac.id

Editorial Address
Jl. Raya Janti (Majapahit) No. 143 Yogyakarta, 55198 Telp. (0274)486664

Location
Kab. bantul,

Daerah istimewa yogyakarta

INDONESIA