Jurnal Komputasi

Analisis Quality of Service (QOS) Jaringan Internet di SMK SWADHIPA 2 Natar

Ega Rahmatillah, Joko Triloka — Tue, 20 Oct 2026 00:00:00 +0000

Optimal internet access is essential to support digital-based learning at SMK SWADHIPA 2 Natar. However, unstable network quality often hinders the smooth delivery of learning content. This study aims to evaluate the quality of the school’s internet network by applying Quality of Service (QoS) measurements. The research method involved measuring QoS parameters based on TIPHON standards, including throughput, jitter, packet loss, and delay. The results indicate that the application of QoS using the Simple Queue method produces unsatisfactory throughput values.According to TIPHON standards, throughput in classrooms was recorded at 14 Mbps, in vocational practice rooms at 8 Mbps, and in theadministration and teachers’ offices at 20–21 Mbps, all of which fall into index 1 (poor). These findings demonstrate that the internet networkquality at SMK SWADHIPA 2 Natar remains suboptimal and requires further improvement to support learning activities effectively.

Web-Based CRM System with Non-Preemptive SJF Scheduling and WhatsApp Notifications for Clothing Alteration MSMEs

Wahyu Firmansyah, Ahmad Habib — Tue, 20 Oct 2026 00:00:00 +0000

Digital transformation has become a key strategy for enhancing operational efficiency and service quality in Micro, Small, and Medium Enterprises (MSMEs). However, clothing alteration MSMEs continue to face challenges in customer management, order recording, and service queue management due to the absence of an integrated system. This study develops a web-based Customer Relationship Management (CRM) system that integrates Non-Preemptive Shortest Job First (SJF) scheduling with automated WhatsApp notifications. The research employs the Research and Development (R&D) method using the Waterfall System Development Life Cycle (SDLC) model, with data collected through observations, interviews, and a literature review. The proposed system integrates customer, order, and SJF-based queue management with real-time service notifications. Evaluation results indicate that the proposed SJF scheduling method reduced the Average Waiting Time (AWT) from 9.8 hours to 4.0 hours and the Average Turnaround Time (ATT) from 13.4 hours to 7.6 hours compared with the First Come First Served (FCFS) method. In addition, the system achieved a 90% WhatsApp notification delivery success rate and an 84.22% User Acceptance Testing (UAT) score, indicating that it enhances service quality, strengthens customer communication, and improves service queue management for clothing alteration MSMEs.

Perbandingan Model Machine Learning untuk Klasifikasi Autism Spectrum Disorder pada Toddler Screening Dataset

Nurul Azwanti, Sunardi Sunardi, Herman Yuliansyah — Tue, 20 Oct 2026 00:00:00 +0000

Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder characterized by impairments in social communication, social interaction, and repetitive behaviors. Early detection of ASD in toddlers is important to support faster and more appropriate intervention. Previous studies have applied machine learning algorithms, such as Support Vector Machine (SVM), Random Forest, Naive Bayes, and K-Nearest Neighbor (KNN), for ASD classification with relatively high accuracy. However, variations in datasets, data imbalance, and algorithm selection still affect classification performance. Therefore, this study proposes the implementation of several machine learning algorithms for ASD classification using the ASD Toddler Screening Dataset. A comparative approach was used to evaluate the performance of Decision Tree, Random Forest, Logistic Regression, KNN, Naive Bayes, and SVM algorithms. The research stages included data preprocessing, categorical attribute transformation using encoding and one-hot encoding, exploratory data analysis (EDA), data splitting with an 80:20 train-test ratio, and handling imbalanced data using the Synthetic Minority Over-sampling Technique (SMOTE). Model evaluation was conducted using accuracy, precision, recall, and F1-score metrics. The results showed that SVM achieved the best performance with an accuracy of 100%, followed by Logistic Regression (98.58%), Random Forest (95.73%), Decision Tree (93.36%), KNN (92.89%), and Naive Bayes (87.20%). The findings indicate that SVM provides superior performance compared to other machine learning algorithms in classifying ASD in toddlers.

Klasifikasi Multi-Class Pada Kondisi Kesehatan Mental Berbasis Data Media Sosial Menggunakan Model BERT

erlin elisa, Sunardi, Herman Yuliansyah — Tue, 20 Oct 2026 00:00:00 +0000

Kesehatan mental merupakan kondisi kesejahteraan psikologis yang memungkinkan individu mengelola stres, bekerja secara produktif, dan berinteraksi secara sosial. Peningkatan penggunaan media sosial menghasilkan data teks yang dapat merepresentasikan kondisi emosional dan psikologis pengguna. Berbagai penelitian telah mengembangkan klasifikasi kondisi kesehatan mental berbasis data media sosial menggunakan pendekatan machine learning dan deep learning. Namun, sebagian besar penelitian masih berfokus pada klasifikasi biner atau deteksi satu kondisi mental tertentu, sedangkan pendekatan multi-class untuk membedakan beberapa kondisi kesehatan mental secara bersamaan masih terbatas. Selain itu, kemiripan pola linguistik antar kondisi mental serta penggunaan bahasa informal pada media sosial menjadi tantangan dalam meningkatkan performa klasifikasi teks tidak terstruktur. Oleh karena itu, penelitian ini mengusulkan model Bidirectional Encoder Representations from Transformers (BERT) untuk mengklasifikasikan kondisi kesehatan mental berbasis data media sosial. Model BERT dipilih karena mampu memahami konteks bahasa secara bidirectional melalui mekanisme self-attention sehingga lebih efektif menangkap representasi semantik dibandingkan metode konvensional. Dataset yang digunakan adalah Reddit Mental Health dengan lima kategori, yaitu Stress, Depression, Bipolar Disorder, Personality Disorder, dan Anxiety. Tahapan penelitian meliputi preprocessing teks, tokenisasi menggunakan BERT tokenizer, pembagian data secara stratified, penanganan imbalanced data menggunakan class weighting dan focal loss, serta fine-tuning model. Hasil eksperimen pada 5.957 data menunjukkan bahwa konfigurasi hyperparameter terbaik memperoleh accuracy sebesar 80%, dengan rata-rata precision, recall, dan F1-score masing-masing sebesar 80%. Kategori Stress memperoleh F1-score tertinggi sebesar 87%, sedangkan kategori Depression sebesar 73%. Hasil penelitian menunjukkan bahwa model BERT efektif dalam memahami pola linguistik dan konteks emosional pada data media sosial tidak terstruktur.

Sistem Tanya Jawab Resep Nusantara Berbasis Qwen dan Retrieval-Augmented Generation

Rahma Nafisa, Hendri Ahmadian, Nurrizqa — Tue, 20 Oct 2026 00:00:00 +0000

Pengembangan sistem question answering pada domain resep masakan menghadapi tantangan dalam menghasilkan jawaban yang koheren secara bahasa sekaligus konsisten terhadap bahan, langkah memasak, dan konteks prosedural dokumen sumber. Large Language Model (LLM) seperti Qwen memiliki kemampuan memahami dan menghasilkan teks, namun berpotensi menghasilkan hallucination ketika jawaban tidak didukung informasi relevan. Penelitian ini mengembangkan sistem tanya jawab resep masakan Nusantara berbasis Qwen dan Retrieval-Augmented Generation (RAG) untuk meningkatkan relevansi dan groundedness jawaban terhadap knowledge base resep. Dataset yang digunakan berasal dari Indonesian Food Recipes Dataset, diproses melalui tahap preprocessing, pembentukan data question-answer, fine-tuning model, dan pembangunan sistem retrieval berbasis vector database. Evaluasi dilakukan menggunakan metrik ROUGE, Recall@K, Grounded ROUGE, Grounded Ingredient Coverage, Answered Rate, dan No-answer Rate. Hasil evaluasi menunjukkan bahwa integrasi RAG meningkatkan kualitas dan keterikatan jawaban dibandingkan model tanpa retrieval, dengan performa terbaik diperoleh oleh skenario RAG + Fine-tuned Qwen yang mencapai ROUGE-L sebesar 0.413, Grounded ROUGE-L sebesar 0.926, dan Grounded Ingredient Coverage sebesar 0.967. Mekanisme tambahan yang dikonfigurasi pada sistem, yaitu no-answer filtering dan fallback retrieval, juga membantu menjaga konsistensi jawaban ketika konteks retrieval yang diperoleh kurang relevan. Penelitian ini diharapkan dapat menjadi langkah awal dalam pengembangan sistem question answering domain-spesifik berbasis LLM yang lebih konsisten dan grounded, khususnya pada pengetahuan prosedural seperti resep masakan Nusantara.

Penerapan Metode Quick Sort dan Binary Search Pada Sistem Pengelolaan Data Praktikan

Dinda Ayu Aprilia, Anton Prafanto, Novianti Puspitasari — Tue, 20 Oct 2026 00:00:00 +0000

Pengelolaan data praktikan Pendidikan Agama Islam Fakultas Teknik Universitas Mulawarman sebelumnya masih dilakukan menggunakan beberapa berkas spreadsheet terpisah. Kondisi tersebut menyebabkan proses pencarian, pengurutan, presensi, penilaian, dan rekapitulasi nilai menjadi kurang efisien serta berisiko menimbulkan duplikasi dan kesalahan data. Penelitian ini bertujuan mengembangkan sistem pengelolaan data praktikan berbasis web dengan menerapkan Quick Sort Median of Seven untuk pengurutan dan Binary Search untuk pencarian data. Metode pengembangan sistem menggunakan Waterfall dengan tahapan analisis kebutuhan, perancangan, implementasi, pengujian, dan evaluasi. Sistem dibangun menggunakan Laravel dan MySQL. Data penelitian terdiri atas 879 data praktikan tahun akademik 2024–2025 serta data sintetis berukuran 100, 500, 1.000, dan 5.000 entri untuk pengujian algoritma. Pengujian fungsional dilakukan menggunakan Black Box Testing, sedangkan pengujian kinerja mengukur waktu eksekusi, penggunaan memori, jumlah perbandingan, jumlah pertukaran, jumlah iterasi, serta perbandingan dengan ORDER BY dan WHERE pada MySQL. Hasil pengujian menunjukkan bahwa seluruh fitur utama berjalan sesuai rancangan. Quick Sort Median of Seven menghasilkan waktu eksekusi dan penggunaan memori yang lebih rendah dibandingkan ORDER BY MySQL pada sebagian besar skenario 100 sampai 1.000 data, sedangkan MySQL mulai lebih kompetitif pada beberapa skenario 5.000 data. Binary Search menghasilkan waktu pencarian di bawah 0,03 ms pada seluruh skenario 5.000 data. WHERE Exact dan WHERE LIKE Awalan menunjukkan waktu yang stabil karena dapat memanfaatkan indeks, sedangkan WHERE LIKE Bebas membutuhkan waktu lebih besar pada dataset berukuran besar. Sistem ini membantu pengelolaan data praktikum menjadi lebih terpusat, terstruktur, dan efisien.