MALCOM: Indonesian Journal of Machine Learning and Computer Science

Segmentasi Wilayah Target Promosi Menggunakan Algortima K-Means Clustering pada Perguruan Tinggi

2025-06-21T08:01:13+00:00

Unit admisi sebuah perguruan tinggi swasta aktif melakukan promosi ke sekolah menengah atas dengan berbagai bentuk. Target sekolah dipilih berdasarkan pengalaman dan ketersediaan personil, namun belum menggunakan analisis histori data. Pada penelitian ini dibangun sistem segmentasi wilayah promosi menggunakan K-Means Clustering untuk mengelompokkan potensi sekolah, kota, dan provinsi berdasarkan aktivitas pendaftaran tahun-tahun sebelumnya. Data bersih yang digunakan sejumlah 7177 baris data, yang diambil dari data calon mahasiswa pendaftar periode 2020 hingga 2024. Data meliputi pendaftar yang diterima, pilihan 1, pilihan 2, waktu pendaftaran, registrasi dan membatalkan registrasi. Proses pengolahan data meliputi tahapan pembersihan normalisasi nama sekolah, dan standarisasi nama sekolah menggunakan fuzzy string matching, pembobotan status pendaftar, dan perhitungan skor. Pengklasteran menggunakan K-Means dilakukan pada hasil perhitungan skor yang telah dinormalisasi. Jumlah klaster optimal ditentukan menggunakan metode Silhouette Coefficient. Luaran berupa nilai centroid dan label klaster untuk setiap entitas yang diklaster. Sistem berhasil mengelompokkan potensi sekolah, kota, dan provinsi tempat promosi. Luaran sistem dibandingkan dengan lokasi riil promosi yang telah dilakukan unit Admisi. Hasil menunjukkan bahwa dari 125 sekolah tempat promosi, hanya 48 sekolah yang sesuai dengan hasil sistem. Sistem mengidentifikasi 109 sekolah potensial dan cukup potensial, 44,04% yang sudah dijangkau promosi.

Analisis Sentimen Ulasan Produk Shopee di Aplikasi Instagram Menggunakan Algoritma K-Nearest Neighbors

2024-08-02T03:14:45+00:00

Penelitian ini mengkaji berbagai tanggapan konsumen terhadap produk yang dijual di Shopee dan dipromosikan melalui Instagram, yang dikategorikan ke dalam sentimen positif dan negatif. Permasalahan yang diangkat adalah bagaimana persepsi publik terhadap produk-produk tersebut berdasarkan ulasan yang diunggah di media sosial Instagram. Metode yang digunakan adalah analisis sentimen dengan algoritma K-Nearest Neighbors (K-NN) serta pendekatan CRISP-DM untuk memastikan proses analisis berjalan secara sistematis dan terstruktur. Data penelitian terdiri dari sejumlah ulasan yang dikumpulkan melalui proses crawling menggunakan teknik pengambilan data otomatis. Hasil penelitian menunjukkan bahwa algoritma K-NN mampu mengklasifikasikan sentimen dengan akurasi 82,80%, presisi sentimen positif sebesar 83,54%, dan presisi sentimen negatif sebesar 23,08%. Temuan ini menandakan bahwa mayoritas ulasan konsumen bersifat positif, mencerminkan kepuasan terhadap kualitas produk, harga, dan pelayanan, meskipun masih terdapat ulasan negatif yang menyoroti kekurangan tertentu. Solusi yang ditawarkan dalam penelitian ini adalah penerapan teknik machine learning untuk mengotomatisasi proses klasifikasi sentimen pada data ulasan yang besar dan tidak terstruktur. Penelitian ini diharapkan dapat memberikan wawasan berharga bagi pelaku bisnis dan pengelola platform e-commerce untuk memahami persepsi konsumen dan menggunakannya sebagai dasar pengambilan keputusan dalam strategi pemasaran dan peningkatan kualitas layanan. Kesimpulannya, K-NN efektif digunakan untuk analisis sentimen ulasan produk Shopee, hasil menunjukkan dominasi sentimen positif.

Penerapan Hyperparameter Tuning pada Model Klasifikasi untuk Prediksi Risiko Penyakit Jantung

2025-06-30T06:00:58+00:00

Penyakit jantung adalah penyebab utama kematian di seluruh dunia, sehingga penting untuk melakukan deteksi dini secara tepat untuk menurunkan angka kematian. Tantangan utama dalam penelitian ini adalah bagaimana cara meningkatkan efektivitas model klasifikasi dalam mendeteksi penyakit jantung. Tujuan dari penelitian ini adalah untuk membandingkan kinerja beberapa algoritma klasifikasi dan menilai dampak hyperparameter tuning terhadap peningkatan akurasi prediksi. Metode yang digunakan mencakup penerapan algoritma Logistic Regression, Decision Tree, Support Vector Machine (SVM), dan K-Nearest Neighbor (K-NN) pada dataset Cleveland Clinic Heart Disease yang diambil dari Kaggle. Proses hyperparameter tuning dilaksanakan dengan menggunakan gridsearchCV dan randomizedsearchCV bersama dengan cross-validation. Temuan penelitian menunjukkan bahwa setelah dilakukan tuning, logistic regression, K-NN, dan SVM mencapai akurasi tertinggi yang sama, yaitu 84%. Decision tree berada di posisi terendah dengan akurasi 80%. Selain itu, nilai precision, recall, dan F1-score juga meningkat, terutama pada logistic regression dan K-NN yang menunjukkan hasil paling seimbang. Hasil ini membuktikan bahwa hyperparameter tuning sangat membantu dalam meningkatkan kinerja model klasifikasi dan mendukung penggunaan machine learning untuk deteksi dini penyakit jantung secara lebih efektif.

Analisis Pengelompokan Laporan Panggilan untuk Perencanaan Respons Berbasis Data

2025-07-10T09:46:25+00:00

Setiap tahun, Call Center 112 Kabupaten Sidoarjo menerima ribuan laporan dari masyarakat, yang mencakup berbagai kejadian seperti kebakaran, kecelakaan lalu lintas, darurat medis, kabel menjuntai, pohon tumbang, dan masalah PJU. Penelitian ini menganalisis 6.207 laporan berfokus pada koordinat lokasi kejadian dengan tujuan untuk mengelompokkan pola spasial laporan sehingga dapat mendukung tata Kelola pelayanan publik yang lebih responsif. Untuk mencapai tujuan tersebut digunakan dua algoritma pembelajaran yaitu K-Means dan K-Medoids. Metode Elbow digunakan untuk menentukan jumlah klaster (k=3). Metode ini menunjukkan titik optimum ketika nilai inertia mulai menurun secara linier. Analisis menggunakan Google Colab dan ada dukungan pustaka untuk visualisasi seperti scikit-learn, pyclustering, dan matplotlib. Hasil visualisasi menunjukkan bahwa K-Medoids membentuk klaster yang lebih terstruktur secara geografis, sedangkan K-Means menghasilkan klaster yang tumpang tindih. Silhouette Score 0,479, yang lebih tinggi dari K-Means hanya 0,193, K-Medoids terbukti lebih unggul dalam membentuk klaster yang kompak dan konsisten. K-Medoids berhasil mengelompokkan wilayah yang rawan insiden (Waru, Gedangan) dan wilayah infrastruktur dominan (Sidoarjo, Candi) ke dalam klaster yang sesuai secara spasial. Analisis ini mengidentifikasi fitur tiap klaster berdasarkan jenis laporan, mulai dari darurat medis hingga masalah PJU. Penemuan ini berguna untuk mendukung alokasi sumber daya dan layanan publik yang lebih efisien saat membangun kota pintar.

Analisis Implementasi Artificial Intelligence dalam Dunia Kesehatan Indonesia: Literature Review

2025-08-05T15:24:28+00:00

Artificial Intelligence (AI) diharapkan menjadi kekuatan utama dalam mendukung transformasi digital sektor kesehatan, sesuai visi Kementerian Kesehatan tahun 2023. Namun, implementasi AI di Indonesia masih jauh dari harapan. Meskipun terdapat inisiatif kuat untuk memanfaatkan AI dalam meningkatkan efisiensi dan efektivitas layanan kesehatan, penerapannya masih terbatas dan belum merata. Penelitian ini dilakukan menggunakan metode literature review terhadap 52 artikel ilmiah periode 2021–2024. Dengan pendekatan teori Diffusion of Innovation, penelitian ini mengevaluasi manfaat AI dalam diagnosis, pengambilan keputusan klinis, manajemen data, dan peningkatan akses pelayanan, serta mengidentifikasi model adopsi dan tantangan utama dalam penerapannya. Hasil analisis menunjukkan bahwa tantangan utama dalam implementasi AI di sektor kesehatan Indonesia mencakup belum adanya regulasi spesifik, lemahnya infrastruktur digital, isu etika, dan rendahnya literasi teknologi. Meski demikian, Indonesia memiliki potensi besar dalam pengembangan ekosistem AI yang adaptif dan inklusif. Keberhasilan implementasi sangat bergantung pada kolaborasi lintas sektor, penguatan regulasi, serta peningkatan kompetensi sumber daya manusia dan kapasitas teknologi. Dengan strategi nasional yang terarah dan berkelanjutan, AI berpeluang menjadi pilar transformasi sistem pelayanan kesehatan yang lebih modern, efisien, dan berdaya saing.

Exploring User Experience by User Review Using LDA-Topic Modeling and HEART Framework: A Systematic Literature Review

2025-08-11T05:41:39+00:00

This study aims to evaluate the integration of the HEART framework (Happiness, Engagement, Adoption, Retention, and Task Success) with computational modeling techniques such as Latent Dirichlet Allocation (LDA) for measuring User Experience (UX). A Systematic Literature Review (SLR) was conducted on articles published between 2015 and 2025, selected from reputable databases including Scopus. The selected studies emphasize the use of HEART metrics in conjunction with machine learning approaches, particularly LDA, and were assessed based on the Scimago journal quartile ranking system. The findings categorize the studies into five main research objectives: predicting user satisfaction and emotional response, optimizing usability, analyzing user-generated content, evaluating learning performance through gamified systems, and assessing system requirements in relation to UX. This classification reveals growing trends in applying hybrid methods that combine qualitative metrics with automated modeling techniques. The results underline the importance of developing more adaptive and scalable UX evaluation frameworks that align human-centered insights with machine learning-driven analysis. This study offers a foundational reference for future research in building integrative models that advance the depth and scale of UX assessments in complex digital environments.

Analisis Sentimen Publik di Platform X Pasca Skandal Bahan Bakar Minyak Oplosan Menggunakan Algoritma Naïve Bayes

2025-08-01T13:44:10+00:00

Skandal BBM oplosan yang mencuat pada awal 2025 memicu gelombang reaksi dari masyarakat yang disuarakan melalui platform X. Penelitian ini ditujukan untuk mengevaluasi sentimen publik terkait kasus tersebut dengan menggunakan algoritma Naïve Bayes sebagai metode analisis. Proses analisis dilakukan dengan teknik scraping terhadap 2.351 tweet yang relevan, dilanjutkan dengan preprocessing teks. Label sentimen ditentukan secara otomatis menggunakan metode VADER, sementara representasi fitur dilakukan dengan teknik TF-IDF untuk meningkatkan kualitas klasifikasi. Selanjutnya, data dibagi menjadi data pelatihan dan data pengujian dengan perbandingan 80:20, kemudian diklasifikasikan menggunakan algoritma Multinomial Naïve Bayes. Hasil klasifikasi menunjukkan bahwa algoritma mampu mengidentifikasi sentimen negatif dengan recall tertinggi sebesar 75%, meskipun akurasi keseluruhan hanya mencapai 57%. Temuan ini menunjukkan bahwa pendekatan ini cukup andal dalam menangkap opini kritis masyarakat, namun masih perlu pengembangan untuk mengenali sentimen positif dan netral secara akurat. Penelitian selanjutnya disarankan untuk membandingkan algoritma Naïve Bayes dengan model lain seperti SVM atau Random Forest guna meningkatkan akurasi klasifikasi.

Analisis Komparasi Algoritma DBSCAN dan K-Means dalam Pemetaan Segmentasi Pasien Rawat Inap Menggunakan Model RFMT

2025-07-31T04:35:30+00:00

Rumah sakit memainkan peran strategis dalam memberikan layanan kesehatan berkualitas, khususnya layanan rawat inap. Model segmentasi pasien yang akurat diperlukan untuk mendukung pengambilan keputusan strategis dan meningkatkan loyalitas pasien. Studi ini mengusulkan analisis komparatif dua algoritma clustering, DBSCAN dan K-Means, untuk segmentasi rawat inap menggunakan model Recency, Frequency, Monetary, and Interpurchase Time (RFMT). Berbeda dengan studi sebelumnya yang berfokus pada ritel dan pemasaran, penelitian ini menerapkan RFMT secara spesifik pada data rawat inap rumah sakit. Dataset yang diperoleh dari Rumah Sakit X di Sidoarjo periode (Januari–Oktober 2022), telah diproses terlebih dahulu dan diubah ke dalam format RFMT. Algoritma DBSCAN dan K-Means dievaluasi menggunakan indeks validitas klaster internal: Silhouette Index (SI) dan Calinski-Harabasz Index (CHI). Hasil eksperimen menunjukkan bahwa DBSCAN mencapai SI terbaiknya sebesar 0,384 (Eps=0,9, MinPts=24) tetapi menghasilkan banyak titik noise, sementara K-Means berkinerja lebih baik dengan SI=0,399 dan CHI=14.625,319 pada k=7 klaster. Temuan ini menyoroti bahwa K-Means menghasilkan klaster yang lebih stabil dan valid dalam konteks ini, sementara DBSCAN mengalami kesulitan karena distribusi kepadatan dataset. Studi ini berkontribusi dengan menunjukkan penerapan clustering berbasis RFMT pada data rumah sakit dan membandingkan kekuatan dan keterbatasan dua algoritma yang banyak digunakan.

Enhancing Academic Service Efficiency: Design, Implementation, and Evaluation of a Web-Based Laboratory Booking System Using the Systems Development Life Cycle Framework

2025-07-10T08:21:41+00:00

This study addresses inefficiencies in higher education administration that hinder the achievement of Sustainable Development Goal 4 (SDG 4), particularly in managing shared academic resources like laboratories. It presents the design, implementation, and evaluation of a web-based laboratory booking system developed using the Waterfall model within the Systems Development Life Cycle (SDLC), utilizing JavaServer Pages (JSP) and MySQL. The system features real-time lab availability tracking, automated booking, and an integrated administrative dashboard. Usability was assessed through quantitative testing and a System Usability Scale (SUS) survey involving 30 participants, including students and lab staff. Results showed a task completion rate above 95% and an average SUS score of 83.6, categorized as “excellent” and within the top usability percentile. The findings demonstrate that a systematically developed web-based solution can substantially enhance administrative efficiency, resource utilization, and user satisfaction. Moreover, the research provides a scalable and replicable model for academic institutions aiming for digital transformation, underscoring that improving operational systems is a critical step toward realizing the goals of quality education and institutional sustainability aligned with SDG 4.

Developing a Predictive System for On-Time Graduation Using Logistic Regression

2025-06-30T06:11:54+00:00

Timely graduation is widely recognized as a key indicator of academic quality and institutional effectiveness in higher education. While previous studies have examined individual predictors of student progression, few have combined academic, demographic, and socioeconomic factors into a comprehensive predictive model, particularly within the context of Indonesian private universities. This study aims to identify the main factors influencing on-time graduation by applying logistic regression to student data collected from a private university’s academic information system. The dataset includes 9,012 undergraduate records from cohorts entering between 2017 and 2020, covering a range of academic, admission, and background variables. The analysis reveals that fourth-semester GPA, attendance rate, scholarship status, completion of mandatory courses, and early course load have a significant impact on the probability of graduating on time. The predictive model achieved an accuracy of 85.76% and a recall of 90%, demonstrating strong classification performance. Although the findings are based on data from a single institution, the results offer practical insights for developing academic early warning systems and inform data-driven planning in higher education management.

Sistem Kendali Kualitas Air pada Tanaman Hidroponik berbasis Internet of Things

2025-05-26T00:48:48+00:00

Kualitas larutan nutrisi merupakan faktor krusial dalam sistem hidroponik, terutama dalam menjaga kestabilan kadar zat terlarut (Total Dissolved Solids/TDS) sesuai kebutuhan tanaman. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem kendali otomatis berbasis Internet of Things (IoT) yang mampu mengatur pemberian larutan nutrisi A/B secara presisi. Sistem dikembangkan menggunakan mikrokontroler ESP32-S3, sensor TDS, dan modul relay untuk mengontrol pompa nutrisi. Berdasarkan data eksperimen, dibangun model regresi kuadratik untuk menghitung kebutuhan volume larutan berdasarkan selisih antara nilai aktual dan target ppm. Sistem bekerja otomatis pada interval waktu tertentu dan terintegrasi dengan dashboard web untuk pemantauan real-time. Hasil pengujian menunjukkan bahwa sistem mampu mempertahankan nilai TDS dalam kisaran target (±15 ppm) dengan selisih rata-rata prediksi sebesar 2,17 ppm, dan selisih maksimum 4,1 ppm, yang masih berada dalam batas toleransi sistem hidroponik. Dengan integrasi IoT, pengguna dapat memantau dan mengendalikan kondisi larutan dari jarak jauh secara efisien. Sistem ini berpotensi untuk diterapkan dalam budidaya hidroponik skala rumah tangga maupun industri kecil.

Optimasi Algoritma Convolutional Neural Network dengan Arsitektur Efficientnet-B0 dan Resnet-50 untuk Klasifikasi Jenis Sampah

2025-04-27T09:26:48+00:00

Penelitian ini mengembangkan sistem klasifikasi sampah otomatis menggunakan deep learning untuk membedakan sampah organik dan dapat didaur ulang. Penelitian dilakukan menggunakan dataset dari Kaggle yang terdiri dari 25.077 gambar sampah dengan dua kategori utama: organik (O) dan dapat didaur ulang (R). Metodologi penelitian berfokus pada perbandingan transfer learning menggunakan arsitektur EfficientNet-B0 dan ResNet-50. Teknik data augmentation modern (rotasi, zoom, flip) diterapkan untuk meningkatkan generalisasi model, dan Keras Tuner digunakan untuk optimasi hyperparameter secara sistematis. Hasil penelitian menunjukkan bahwa model EfficientNet-B0, setelah optimasi hyperparameter, mencapai performa terbaik dengan akurasi pengujian 97.25%. Arsitektur ini secara signifikan mengungguli ResNet-50 (akurasi 93.39%) dalam skenario perbandingan. Laporan klasifikasi detail untuk model terbaik menunjukkan kinerja yang sangat baik dan seimbang dalam mengklasifikasi sampah organik (presisi: 0.93, recall: 0.98) dan sampah dapat didaur ulang (presisi: 0.97, recall: 0.91). Waktu evaluasi yang cepat mengindikasikan potensi implementasi sistem secara real-time. Penelitian ini membuktikan efektivitas transfer learning dengan arsitektur modern yang dikombinasikan dengan optimasi hyperparameter untuk menciptakan solusi klasifikasi sampah otomatis yang sangat akurat dan efisien.

From Comments to Insight: Predictive Classification of Organizational Cultural Entropy Using SBERT, K-Means, and Logistic Regression

2025-07-10T09:11:39+00:00

This study aims to develop a machine learning-based predictive model based on clustered data to identify cultural entropy in organizations through the analysis of open-ended comments on employee perception surveys of superiors. energy used for unproductive activities in a work environment. Entropy shows the level of conflict, friction and frustration in the environment. With a text mining approach, answers to open-ended questions in the cultural entropy survey were processed with Sentence-BERT and clustered using the K-Means algorithm into two categories, namely cultural entropy and non-cultural entropy. The dataset that already has labels from the clustering results is used to develop a classification model. The algorithms used are Random Forest, Logistic Regression, and Support Vector Machine (SVM), which are evaluated through accuracy, precision, recall, and F1-score metrics and a confusion matrix. The results show that Logistic Regression provides the best performance with an accuracy of 0.985, a precision of 1.00, and an F1-score of 0.978 without any classification errors. These findings indicate that the clustering approach followed by machine learning-based predictive is effective in identifying organizational cultural entropy. This can be used to design appropriate interventions and as an early detection system for cultural entropy in human resource management

Optimasi Yolov11 Melalui Hyperparameter Tuning dan Data Augmentasi untuk Meningkatkan Akurasi Deteksi Kendaraan pada Kondisi Malam Hari

2025-08-14T03:02:29+00:00

Deteksi kendaraan pada malam hari menghadapi tantangan signifikan akibat pencahayaan rendah, silau lampu depan, dan kontras objek yang terbatas. Akurasi deteksi yang rendah pada malam hari menjadi penghambat utama dalam pengembangan sistem transportasi cerdas (ITS) dan sistem pengawasan lalu lintas yang andal secara 24/7. Penelitian ini bertujuan mengoptimalkan YOLOv11 untuk meningkatkan akurasi deteksi kendaraan dalam kondisi tersebut. Optimasi dilakukan melalui penyesuaian hiperparameter, termasuk pengaturan laju pembelajaran (0.001), momentum (0.937), dan weight decay (0.0005), serta penerapan teknik augmentasi data seperti penyesuaian saturasi dan kecerahan, translasi, skala, flipping horizontal, mosaic, dan mixup. Model diuji dalam dua skenario: (1) data malam hari dan (2) gabungan data siang dan malam. Hasil penelitian menunjukkan bahwa YOLOv11 yang telah dioptimalkan mencapai precision 0.97, recall 0.92, dan mAP@0.5 sebesar 0.97 pada skenario malam hari, melampaui kinerja YOLOv8 dan YOLOv11 baseline. Pada skenario gabungan, model tetap unggul dengan precision 0.95, recall 0.95, dan mAP@0.5 sebesar 0.98. Temuan ini membuktikan bahwa kombinasi penyesuaian hiperparameter dan augmentasi adaptif efektif meningkatkan kinerja deteksi kendaraan pada malam hari tanpa menurunkan akurasi pada kondisi siang. Pendekatan ini menjanjikan untuk diaplikasikan dalam sistem pemantauan lalu lintas berbasis visi komputer yang memerlukan konsistensi performa tinggi baik di siang maupun malam hari.

Pengaruh Faktor Lingkungan Terhadap Distribusi Kasus DBD di Jakarta Selatan Menggunakan Pendekatan Geographically and Temporally Weighted Regression (GTWR)

2025-06-18T02:57:09+00:00

Demam Berdarah Dengue (DBD) adalah penyakit endemis yang dipengaruhi oleh banyak faktor lingkungan dan memiliki pola penyebaran yang kompleks secara spasial dan temporal. Dengan menggunakan pendekatan Geographically and Temporally Weighted Regression (GTWR), penelitian ini bertujuan untuk menganalisis distribusi kasus DBD di wilayah Jakarta Selatan. Suhu maksimum dan suhu minimum memiliki dampak positif yang konsisten terhadap peningkatan kasus DBD, menurut hasil penelitian. Kinerja model GTWR ditunjukkan dengan nilai R-squared 0,5697 dan AIC 556,766. Visualisasi peta risiko mengidentifikasi wilayah seperti Jagakarsa, Cilandak, dan Mampang Prapatan sebagai daerah dengan risiko tinggi, dan pola musiman memperlihatkan peningkatan kasus pada awal hingga pertengahan tahun serta penurunan pada musim kemarau.

Klasifikasi Status Mahasiswa Berisiko Drop Out Menggunakan Decision Tree C5.0 dengan Seleksi Fitur

2025-08-08T10:57:43+00:00

Penelitian ini bertujuan untuk membandingkan performa algoritma Decision Tree C5.0 dengan dan tanpa seleksi fitur Mutual Information dalam klasifikasi mahasiswa berisiko drop out. Data yang digunakan mencakup mahasiswa S1 angkatan 2018–2023 dengan atribut performa akademik tiap semester serta aktivitas tugas akhir mahasiswa. Tahapan pengolahan data meliputi seleksi data, pembersihan, pelabelan, dan penanganan data tidak seimbang menggunakan Random Undersampling. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa pada mahasiswa angkatan 2022–2023, model tanpa seleksi fitur menghasilkan akurasi sebesar 87,14%, dan meningkat menjadi 88,57% setelah penerapan seleksi fitur. Sementara itu, pada mahasiswa angkatan 2018–2021, akurasi model tanpa seleksi fitur mencapai 93,04% dan meningkat menjadi 94,30% dengan penerapan seleksi fitur. Faktor dominan yang memengaruhi klasifikasi berbeda pada masing-masing kelompok, di mana jumlah absen menjadi indikator utama pada mahasiswa angkatan 2022–2023, sedangkan durasi pengerjaan tugas akhir lebih berpengaruh pada mahasiswa angkatan 2018–2021.

Perbandingan Metode MoSCoW dan AHP dalam Menentukan Kebutuhan Perangkat Lunak di Institusi Pendidikan: Systematic Literature Review

2025-08-07T03:03:38+00:00

Perangkat lunak berperan penting dalam menunjang kegiatan di institusi pendidikan. Banyaknya pilihan perangkat lunak menuntut adanya metode prioritisasi yang tepat. Penelitian ini membandingkan metode MoSCoW dan Analytical Hierarchy Process (AHP) dalam menentukan kebutuhan perangkat lunak melalui pendekatan Systematic Literature Review (SLR) terhadap 20 artikel terbitan 2021–2025. Hasil kajian menunjukkan bahwa AHP unggul dalam memberikan pembobotan kuantitatif dan mendukung pengambilan keputusan yang kompleks, sedangkan MoSCoW lebih unggul dalam kemudahan klasifikasi serta mudah dipahami oleh stakeholder non-teknis. Keunggulan penelitian ini terletak pada integrasi kedua metode melalui validasi silang, sehingga menghasilkan prioritisasi kebutuhan perangkat lunak yang tidak hanya praktis, tetapi juga objektif dan siap diimplementasikan. Dengan demikian, penelitian ini berhasil mencapai tujuannya untuk mengevaluasi keunggulan masing-masing metode sekaligus memberikan acuan praktis dalam penetapan prioritas kebutuhan perangkat lunak di institusi pendidikan

Analytical Hierarchy Process (AHP) Approach for CCTV Vendor Selection in Goods Procurement

2025-08-18T08:22:31+00:00

Selecting CCTV devices and vendors is a complex process because it involves many criteria, such as reputation/rating, price, distance, delivery time, and warranty period. Financing companies face difficulties in conducting these evaluations because the process is still manual, there are no standard criteria, and it requires many stages of approval that hinder the process. This study designs a web-based decision support system using the Analytic Hierarchy Process (AHP) method to assist in the objective selection of CCTV equipment. This system considers three main criteria: price, delivery time, and warranty period. The calculation results show that the system produces consistent recommendations, with a consistency ratio (CR) value below 0.1. The system also addresses zero data in alternatives by replacing zero values with small (non-zero) numbers to maintain the validity of AHP calculations. Repeated testing shows stable results even with different data. Thus, this system provides an efficient, transparent, and standardized solution in the CCTV device procurement process at financing companies

Sistem Pendukung Keputusan Penilaian Kinerja Guru Menggunakan Metode Simple Additive Weighting (SAW)

2025-09-29T23:37:02+00:00

Guru merupakan komponen yang sangat berpengaruh dalam menentukan keberhasilan pendidikan. Kinerja guru yang baik akan meningkatkan mutu pendidikan secara keseluruhan. Penilaian Kinerja Guru (PKG) menjadi suatu hal yang sangat penting dalam upaya meningkatkan kinerja guru. Namun, Proses PKG di Sekolah Islam Terpadu Al-Qalam Depok masih dilakukan secara manual sehingga rentan terhadap kesalahan perhitungan dan memakan waktu yang lama. Pembuatan Sistem Pendukung Keputusan (SPK) dengan metode Simple Additive Weighting (SAW) ini bertujuan membantu mengatasi permasalahan tersebut. Berdasarkan data yang diproses dengan metode SAW terdapat 5 alternatif guru yang dinilai dengan 4 kriteria penilaian yaitu pedagogik, kepribadian, sosial, dan profesional. hasil perangkingan menunjukkan alternatif A5 memperoleh nilai kinerja guru yang tertinggi yaitu 95. Hasil pengujian fungsionalitas dengan metode black box menunjukkan Sistem berjalan sesuai fungsi yang ditetapkan. Dengan SPK ini, PKG menjadi lebih akurat dan efisien dalam waktu untuk mengevaluasi kinerja guru yang ada disekolah tersebut sehingga dapat digunakan sebagai dasar pengambilan keputusan dalam meningkatkan mutu pendidikan di Sekolah Islam Terpadu Al-Qalam Depok.

Leaders and Followers Algorithm for the Binary Knapsack Problem

2025-08-08T11:15:30+00:00

The Leaders and Followers (LaF) algorithm, as a relatively recent metaheuristic compared to other well-established algorithms, has demonstrated strong performance in solving continuous constrained optimization problems, the balanced transportation problem, and the traveling salesman problem. The distinctive feature of the LaF algorithm lies in its dual-population structure, where two groups operate with different roles, namely exploration and exploitation, to balance search diversity and convergence. This design effectively prevents premature convergence. In this study, the LaF algorithm is applied to address the binary knapsack problem. The proposed algorithm was evaluated using a well-established benchmark dataset for this problem. The results indicate that the LaF algorithm exhibits stable performance in solving binary knapsack problems with moderately sized capacities and outperforms several other metaheuristic algorithms

Prediksi Academic Burnout pada Mahasiswa: Analisis Komparatif Algoritma Support Vector Machine dan Random Forest

2025-09-02T14:17:35+00:00

Academic burnout telah menjadi masalah signifikan di kalangan mahasiswa, berdampak negatif pada kesehatan mental dan kinerja akademik. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap kinerja algoritma Support Vector Machine (SVM) dan Random Forest (RF) dalam memprediksi academic burnout pada mahasiswa di salah satu universitas di DKI Jakarta. Metode penelitian kuantitatif ini menggunakan data primer dari kuesioner Burnout Assessment Tool – Student Version (BAT-S) yang mencakup faktor pribadi, akademik, dan psikologis, serta data sekunder akademik mahasiswa. Data mentah kemudian melalui tahap persiapan yang meliputi pembersihan, penanganan outlier dengan teknik capping, standardisasi, dan penyeimbangan kelas menggunakan BorderlineSMOTE untuk mengatasi distribusi data yang tidak seimbang. Hasil pemodelan menunjukkan performa prediktif yang sangat tinggi untuk kedua algoritma setelah optimasi hyperparameter, dengan SVM mencapai akurasi 98,75% dan RF sebesar 97,50% pada data uji. Meskipun RF menunjukkan keunggulan pada metrik berbasis peringkat seperti ROC-AUC, SVM direkomendasikan sebagai model akhir karena memiliki profil risiko kesalahan yang lebih dapat diterima secara klinis, yakni tidak menghasilkan false negative yang berisiko tinggi. Penelitian ini membuktikan bahwa ML dapat menjadi alat efektif untuk deteksi dini risiko burnout, namun penelitian selanjutnya disarankan untuk mengeksplorasi algoritma yang lebih kompleks seperti gradient boosting dan melakukan analisis kepentingan fitur untuk pemahaman yang lebih mendalam.

Optimasi Performa K-Means melalui Hybrid Feature Engineering RFM dan Behavioral Analytics untuk Segmentasi Pelanggan

2025-08-07T02:58:54+00:00

Membagi pelanggan menjadi beberapa segmen itu krusial untuk kesuksesan strategi pemasaran. Dalam studi ini, kami mengusulkan metode kombinasi dengan memanfaatkan algoritma K-Means yang dipadukan dengan metrik Recency, Frequency, Monetary (RFM) serta wawasan dari analitik perilaku. Tujuan utama kami adalah untuk mengetahui seberapa besar pengaruh penambahan fitur RFM terhadap kualitas segmen yang dihasilkan. Untuk itu, pendekatan kami meliputi pembersihan data transaksi ritel, pembuatan fitur berbasis perilaku, dan penerapan dua metode klastering: K-Means standar dan versi yang ditingkatkan, yaitu RFM K-Means Aware++. Hasil klastering dievaluasi dengan visualisasi t-SNE, analisis distribusi klaster, dan pengukuran metrik validasi internal seperti Silhouette Score dan Davies-Bouldin Index. Temuan kami menunjukkan bahwa metode yang lebih baik dengan fitur RFM menghasilkan klaster yang lebih stabil, terpisah dengan baik, dan lebih akurat dalam mencerminkan perilaku pelanggan. Sebaliknya, model yang tidak menggunakan fitur RFM cenderung membentuk klaster yang tumpang tindih dan memberikan segmentasi yang kurang bermakna. Secara keseluruhan, studi ini menekankan bahwa rekayasa fitur yang tepat memiliki peran penting dalam meningkatkan performa algoritma klastering dan menawarkan segmentasi pelanggan yang lebih berharga

Multi-Classification of Pakcoy Plants using Machine Learning Methods with Smart Greenhouse Dataset

2025-07-31T04:15:01+00:00

This research aims to design and implement a monitoring and classification system for Pakcoy (Brassica rapa L.) plant conditions based on the Internet of Things (IoT) and machine learning algorithms in the Smart Greenhouse of Universitas Islam Nusantara. This study represents one of the applications of IoT and machine learning technology advancements to improve efficiency and effectiveness in the agricultural sector. The developed system utilizes CO?, SHT30, BH1750, and DHT22 sensors to monitor environmental parameters in real-time, including temperature, humidity, light intensity, panel box temperature, and CO? concentration. The monitoring data are used as input for classifying plant conditions using five machine learning methods: Support Vector Machine (SVM), Random Forest, Decision Tree, Logistic Regression, and Multilayer Perceptron (MLP). The results show that the Random Forest algorithm achieves the best performance, with an accuracy of 84%, precision of 86%, recall of 87%, and F1-score of 86%. The implementation of this system serves as a concrete step toward enhancing the efficiency, sustainability, and modernization of hydroponic agriculture in Indonesia

Implementasi Machine Learning untuk Analisis Sentimen Opini Publik Mengenai Pembukaan Kebun Kelapa Sawit di Papua

2025-10-13T08:08:40+00:00

Ekspansi perkebunan kelapa sawit di Papua menimbulkan beragam respons publik di media sosial, khususnya pada platform X (Twitter). Penelitian ini bertujuan untuk menganalisis sentimen dan emosi publik terhadap isu tersebut menggunakan pendekatan machine learning melalui aplikasi Orange Data Mining. Sebanyak 1.355 tweet dikumpulkan menggunakan Twitter API v2 dan Google Colab yang terintegrasi dengan pustaka snscrape guna mengatasi batasan pengambilan data. Analisis dilakukan dengan model Multilingual Sentiment untuk klasifikasi polaritas (positif, negatif, netral) dan model Ekman Emotion untuk identifikasi enam emosi dasar. Hasil menunjukkan bahwa sentimen netral mendominasi (39,78%), diikuti negatif (32,16%) dan positif (28,05%). Namun, sentimen netral tidak selalu bersifat informatif, melainkan dapat muncul akibat ambiguitas linguistik atau keterbatasan model dalam memahami konteks lokal bahasa Indonesia. Emosi Joy (sukacita) merupakan emosi paling dominan, tetapi juga muncul dalam kategori sentimen negatif, yang mengindikasikan adanya ekspresi sarkasme dan ironi terhadap isu sawit. Hal ini mencerminkan keterbatasan model otomatis dalam mendeteksi makna tersirat dan gaya bahasa satir. Penelitian ini menyimpulkan bahwa meskipun model Multilingual Sentiment efektif untuk mendeteksi pola umum opini publik, pendekatan ini memerlukan penyesuaian kontekstual agar lebih sensitif terhadap nuansa budaya dan semantik bahasa Indonesia

Analisis Perbandingan Kinerja Algoritma K-NN dan K-Means untuk Sistem Rekomendasi Mouse Gaming

2025-07-10T09:31:23+00:00

Kebutuhan akan perangkat keras seperti mouse untuk bermain gim yang mendukung performa meningkat seiring dengan pertumbuhan industri gim dan teknologi digital. Fitur seperti DPI tinggi, tombol makro, sensor presisi, dan desain ergonomis menjadi daya tarik utama bagi pengguna. Namun, banyaknya variasi produk membuat konsumen kesulitan memilih mouse yang sesuai dengan preferensi mereka. Penelitian ini bertujuan untuk membangun sistem rekomendasi mouse gaming berbasis pembelajaran mesin dengan membandingkan dua algoritma, yaitu K-Nearest Neighbor (K-NN) dan K-Means. Metode penelitian meliputi pengumpulan data dari Kaggle, preprocessing data (pembersihan, normalisasi), reduksi dimensi dengan PCA, pengelompokan menggunakan K-Means, serta klasifikasi menggunakan K-NN dengan penerapan SMOTE untuk mengatasi ketidakseimbangan kelas. K-NN, sebagai algoritma supervised learning, memanfaatkan kedekatan antar data untuk menentukan label, sedangkan K-Means merupakan algoritma unsupervised yang mengelompokkan data berdasarkan kemiripan fitur. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa K-Means efektif dalam segmentasi produk, sementara K-NN memberikan akurasi tinggi dalam klasifikasi. Kombinasi keduanya menghasilkan sistem rekomendasi yang lebih akurat dan relevan bagi pengguna.

Early Warning Systems for Financial Crisis Prediction: A Systematic Literature Review of Econometrics, Machine Learning and Uncertainty Indices

2025-09-26T01:31:58+00:00

This study evaluates the integration of econometric methods, machine learning models, and uncertainty indices within the framework of Early Warning Systems (EWS) for financial crisis prediction in stock markets. A Systematic Literature Review (SLR) was conducted on studies published between 2008 and 2024, sourced from reputable databases such as Scopus, IEEE, and other international publishers. The review identifies three main objectives. First, the development of predictive models for market volatility and systemic risk using econometric and machine learning approaches. Second, the diagnosis of risk factors by incorporating macroeconomic indicators, commodity prices, geopolitical uncertainty, and sentiment data from big data sources. Third, the evaluation of policy implications and the role of composite indicators in maintaining financial stability. The dominant data categories include market data (prices, returns, volatility, sectoral indices), macroeconomic indicators (production, interest rates, leading indicators), commodities and energy (oil and gold), and measures of risk and uncertainty (GPR, GEPU, TPU, sentiment). Methodologically, studies employ time series econometrics (ARIMA, GARCH, VAR, spillover), machine learning, hybrid approaches, and indicator or policy-based frameworks. The findings reveal a growing trend toward multivariate and hybrid models, yet highlight limited integration across methods and data domains.

Perbandingan Data Prediksi Diabetes Menggunakan Machine Learning

2025-09-14T23:44:27+00:00

Diabetes merupakan penyakit metabolisme jangka panjang yang berdampak pada tubuh manusia dengan cara mengubah glukosa darah menjadi energi. Individu yang telah didiagnosis dengan diabetes tidak dapat mengontrol level gula dalam darah, yang akan menyebabkan peningkatan kadar gula darah dan tekanan darah. Penelitian ini bertujuan untuk menganalisis dan membandingkan visualisasi data dari empat model machine learning (Random Forest, Logistic Regression, SVC, dan Gradient Boosting ) dalam prediksi penyakit diabetes. Hasil penelitian ini diharapkan dapat memberikan panduan dalam pemilihan teknik visualisasi yang optimal untuk mendukung interpretasi hasil prediksi diabetes berbasis machine learning, serta meningkatkan efektivitas komunikasi hasil prediksi kepada praktisi medis dan pasien. Hasil penelitian memperlihatkan bahwa Gradient Boosting menempati posisi teratas dengan skor ROC AUC sebesar 0,97, disusul oleh Random Forest (0,94) dan Logistic Regression (0,93), sementara SVC mencatatkan nilai 0,84. Walaupun tingkat akurasi keseluruhan model cukup tinggi (?97%), nilai recall pada kelas positif masih rendah (0,39–0,49), yang menunjukkan adanya kendala dalam mengidentifikasi kasus minoritas pada dataset yang tidak seimbang. Variabel fisiologis, seperti BMI dan HbA1c, terbukti berperan signifikan sebagai prediktor, namun kinerja model diperkirakan dapat meningkat lebih jauh dengan mengintegrasikan faktor perilaku dan riwayat medis yang lebih terperinci.

Model CNN untuk Pengenalan Ekspresi Wajah pada Pembelajaran Pemrograman dengan Kondisi Oklusi di Kelas

2025-09-29T14:00:58+00:00

Ekspresi wajah mahasiswa merupakan indikator non-verbal yang dapat dimanfaatkan oleh Learning Analytics (LA) untuk memantau keterlibatan dan kebingungan selama mata kuliah pemrograman (programming class). Dalam konteks riset ini, LA merujuk pada proses komputasional yang menganalisis data visual (ekspresi wajah) guna menyediakan informasi bagi pengajar dan sistem pendukung pembelajaran, baik secara waktu nyata maupun pascakelas. Kami meneliti pengenalan ekspresi wajah pada kondisi kelas nyata yang sarat oklusi (layar monitor, tas, tangan, masker, rekan mahasiswa), menggunakan CNN EfficientNet-B3 dengan transfer learning dan fine-tuning untuk mengklasifikasi empat kategori: Jenuh, Normal, Senang, dan Bingung. Evaluasi menggunakan akurasi, presisi-makro, recall-makro, F1-makro, serta confusion matrix. Pada test set, model meraih 33,33% akurasi, 0,33 presisi-makro, 0,33 recall-makro, dan 0,32 F1-makro, menegaskan tantangan pengenalan di bawah oklusi dan keterbatasan data. Akurasi validasi (26,67%) dan akurasi latih (45,31%) menunjukkan model belum cukup belajar dan terjadi kebingungan antarkelas khususnya antara Normal, Senang, dan Bingung. Meski metrik masih moderat, studi ini menyediakan baseline yang dapat direplikasi untuk FER tanggap oklusi pada konteks pendidikan pemrograman. Arah peningkatan mencakup penambahan & penyeimbangan data, augmentasi spesifik oklusi, face alignment, serta modul atensi/penanganan oklusi ringan menuju LA yang lebih tangguh di kelas nyata.

Analysis of Artificial Intelligence-Based Photogrammetry for Calculating the Volume of Bulk Material Stockpiles

2025-09-29T23:28:28+00:00

This paper presents an automated UAV-based photogrammetric workflow for efficiently and accurately estimating bulk material stockpile volumes, addressing the limitations of conventional manual and LiDAR-based methods. The proposed approach converts UAV video data captured with a 40 MP RGB drone into georeferenced still frames, followed by SIFT and ORB feature extraction and exhaustive matching within COLMAP database. Incremental Structure-from-Motion with bundle adjustment reconstructs a sparse point cloud of 119,424 points and optimized camera parameters, while PatchMatch-based Multi-View Stereo generates a dense cloud of 2.3 million points at a ground sampling distance (GSD) of 0.1 cm. Ground Control Points obtained with RTK-GNSS ensure sub-2 cm georeferencing accuracy. Stockpile volumes are estimated using angle-of-repose height calculations, truncated-pyramid contour integration, and voxel occupancy methods, achieving volume errors of less than 3%. Validation against GPS and terrestrial laser scanning (TLS) references indicates horizontal accuracy of CE90 = 0.208 m, vertical accuracy of LE90 = 0.056 m, and mean reprojection error of 0.19 pixels. The entire process requires only 24 minutes for 199 images, confirming its applicability for industrial monitoring. Overall, the proposed AI-assisted photogrammetric pipeline provides a robust, reproducible, and cost-effective solution for automated stockpile volume measurement, enhancing safety, accuracy, and material management efficiency.

Klasifikasi Kelayakan Penerima Beasiswa Menggunakan Naive Bayes dengan Optimasi Atribut Berbasis K-Means Clustering

2025-09-23T02:26:53+00:00

Penelitian ini bertujuan untuk mengklasifikasikan kelayakan penerima beasiswa di Kecamatan Tabir dengan menggunakan algoritma Naïve Bayes yang dioptimasi melalui K-Means Clustering. Dataset berjumlah 4.155 siswa diproses melalui tahap pra-pemrosesan, mencakup seleksi atribut relevan, pembersihan data, serta transformasi kategori ke bentuk numerik. Proses clustering dilakukan dengan K-Means pada K = 2, 3, dan 5, lalu dievaluasi menggunakan Davies-Bouldin Index (DBI). Hasil terbaik diperoleh pada K = 2 dengan nilai DBI = 0,909, yang selanjutnya digunakan untuk mengelompokkan data menjadi dua klaster, yaitu “Layak” dan “Tidak Layak”. Klaster yang dihasilkan kemudian digunakan untuk mengoptimasi atribut pada tahap klasifikasi menggunakan algoritma Naïve Bayes.. Evaluasi performa menggunakan confusion matrix dengan skema split data 70:30, 80:20, dan 10-fold cross validation. Hasil menunjukkan akurasi masing-masing 96,15%, 96,75%, dan 97,91%; precision 99,90%, 99,85%, dan 99,97%; recall 95,39%, 96,18%, dan 97,47%; serta F1-score 97,60%, 97,97%, dan 98,71%. Berdasarkan hasil tersebut, metode 10-fold cross validation memberikan performa terbaik karena mampu menjaga keseimbangan antara akurasi, precision, recall, dan F1-score. Dengan demikian, integrasi antara K-Means Clustering dan Naïve Bayes terbukti efektif dalam mengoptimasi atribut, serta menghasilkan sistem klasifikasi yang akurat, konsisten, dan andal untuk mendukung keputusan seleksi penerima beasiswa.

Deploying Edge AI for Road Surface Damage Detection Using TensorFlow Lite and Teachable Machine

2025-05-31T13:32:53+00:00

Road damage compromises transportation safety and drives high infrastructure maintenance costs. To address the limitations of traditional methods, which are expensive and non-scalable, this study proposes an Edge AI alternative utilizing widely available smartphones and machine learning capabilities. We present a real-time road damage detection system powered by TensorFlow Lite and Teachable Machine. The system architecture employs lightweight CNN models (such as MobileNet and EfficientNet Lite) optimized for edge deployment. This implementation enables the immediate detection of anomalies (cracks and potholes) directly on the mobile device without cloud dependency, ensuring low latency. Testing demonstrated robust model performance. For pothole detection, the system achieved an accuracy of 95%; for cracks, the accuracy was 92%. During real-time trials in daytime urban settings, the system achieved an average detection latency of 200 milliseconds with an accuracy of 94%. This user-friendly system also supports data collection via crowdsourcing, facilitating comprehensive infrastructure monitoring and proactive maintenance. This innovation offers a scalable, cost-effective, and user-friendly solution with significant potential to advance transportation safety and maintenance efficiency.

Implementasi Algoritma C4.5 Untuk Klasifikasi Kepuasan Pelanggan

2025-07-30T14:55:03+00:00

Perkembangan industri kuliner di Indonesia menunjukkan tren yang semakin kompetitif, didorong oleh meningkatnya jumlah pelaku usaha dan perubahan preferensi konsumen yang dinamis. Dalam situasi ini, kepuasan pelanggan menjadi faktor kunci yang sangat menentukan keberlangsungan dan pertumbuhan bisnis, termasuk bagi usaha kuliner tradisional seperti Restaurant Ayam Bekakak. Namun, pengelolaan data kepuasan pelanggan yang selama ini dilakukan secara konvensional sering kali bersifat subjektif dan tidak menghasilkan informasi yang dapat diolah secara sistematis. Hal ini menyebabkan sulitnya dalam pengambilan keputusan yang berbasis data (data-driven decision making). Oleh karena itu, dibutuhkan metode analisis yang mampu mengolah data kepuasan pelanggan secara lebih akurat dan objektif. Salah satu solusi yang dapat diterapkan adalah dengan menggunakan metode data mining, khususnya algoritma C4.5. Berdasarkan hasil penelitian menunjukkan bahwa algoritma C4.5 mampu mengklasifikasikan tingkat kepuasan pelanggan dengan akurasi sebesar 96,15%, dengan nilai precision 100% dan recall 95,2%. Nilai ini menunjukkan bahwa model dapat memprediksi kepuasan pelanggan dengan tingkat kesalahan yang sangat kecil. Dari hasil confusion matrix, hanya satu data yang salah klasifikasi, di mana pelanggan yang sebenarnya “puas” terdeteksi sebagai “tidak puas”. Hal ini menunjukkan bahwa model memiliki kemampuan generalisasi yang tinggi dan kesalahan klasifikasi yang minim. Kesesuaian karakteristik data dengan algoritma C4.5.

Integrasi Internet of Things dan Web untuk Monitoring Kendali Irigasi Tates Secara Real Time

2025-09-12T14:54:12+00:00

Penelitian ini membahas pengembangan sistem irigasi tetes berbasis Internet of Things (IoT) yang terintegrasi dengan aplikasi web untuk monitoring dan kendali secara real-time. Sistem dirancang menggunakan mikrokontroler ESP32 yang terhubung dengan sensor ultrasonik untuk memantau ketinggian air dan pupuk, serta sensor soil moisture untuk mengukur kelembapan tanah. Data yang diperoleh dikirimkan ke server via protokol MQTT dan disimpan dalam basis data MySQL, kemudian ditampilkan melalui aplikasi web dalam bentuk numerik dan grafik. Hasil pengujian menunjukkan kinerja sistem yang andal, dimana sensor ultrasonik memiliki akurasi tinggi dengan error rata-rata 0.67%, sedangkan sensor soil moisture memiliki error di bawah 7%. Pompa air merespons perintah secara akurat baik secara manual maupun otomatis berdasarkan kondisi kelembapan tanah. Mode local server memungkinkan akses dashboard tanpa koneksi internet, sementara antarmuka yang sederhana dan user-friendly memudahkan pengguna dalam pemantauan. Integrasi grafik sensor memperjelas perubahan data secara visual, sehingga mempercepat proses pengambilan keputusan. Secara keseluruhan, sistem ini terbukti mampu meningkatkan efisiensi penggunaan air hingga 30% dan meminimalkan intervensi manual, sehingga menjadi solusi praktis dalam penerapan teknologi IoT untuk mendukung pertanian modern

Implementasi Sensor GY-302 BH1750 untuk Penyesuaian Intensitas Cahaya pada Tanaman Selada dan Sawi Hidroponik

2025-09-02T13:06:21+00:00

Penelitian ini mengimplementasikan sistem pengendalian intensitas cahaya otomatis untuk tanaman hidroponik selada dan sawi menggunakan sensor GY-302 BH1750, mikrokontroler ESP32, dan driver BTS7960. Sistem dirancang untuk secara otomatis mengatur intensitas cahaya sesuai kebutuhan spesifik masing-masing tanaman melalui mekanisme kontrol PWM. Pengujian dilakukan selama 8 jam dengan interval pencatatan per jam untuk dua mode tanaman berbeda. Hasil menunjukkan sistem berhasil mempertahankan intensitas cahaya pada rentang di bawah 3000 lux untuk tanaman sawi dan 4850-7890 lux untuk tanaman selada dengan akurasi tinggi dan stabilitas yang konsisten. Sistem ini terbukti mampu meningkatkan efisiensi energi hingga 40% dibandingkan sistem pencahayaan konvensional melalui penyesuaian intensitas yang presisi. Implementasi push button sebagai selector mode tanaman bekerja optimal dengan respon transisi yang cepat tanpa gangguan operasional. Temuan penelitian mengindikasikan bahwa sistem ini dapat menjadi solusi efektif untuk optimasi pertumbuhan tanaman hidroponik dengan konsumsi energi yang minimal

Klasifikasi Komposisi Menu Makanan Olahan Terhadap Standar Gizi Balita Menggunakan Random Forest

2025-09-02T14:06:45+00:00

Peningkatan kesadaran masyarakat akan pentingnya asupan gizi seimbang, khususnya pada anak usia dini, menjadi aspek krusial dalam upaya pencegahan malnutrisi dan masalah kesehatan terkait. Penelitian ini bertujuan untuk mengklasifikasikan komposisi menu makanan olahan terhadap standar gizi balita menggunakan pendekatan data mining dengan algoritma Random Forest. Dataset yang digunakan memuat kandungan nutrisi menu yang divalidasi terhadap standar Angka Kecukupan Gizi (AKG) untuk anak usia 1–5 tahun. Klasifikasi dilakukan ke dalam tiga kategori: seimbang, tidak seimbang, dan berlebihan. Penelitian melibatkan tahapan preprocessing data, feature selection, normalisasi, serta pelatihan model menggunakan Random Forest. Evaluasi menggunakan akurasi, presisi, recall, serta f1-score. Hasil pengujian diperoleh algoritma bahwa Random Forest menghasilkan kinerja terbaik dengan akurasi 90%. Dari 136 menu, 9 diklasifikasikan sebagai seimbang, 59 tidak seimbang, dan 68 berlebihan. Penelitian ini membuktikan jika algoritma Random Forest bisa dijadikan alat yang efektif dalam pemantauan gizi balita

Evaluasi Distribusi Guru-Siswa dan Ketersediaan Sekolah untuk Mendukung Pembangunan Pendidikan Menggunakan K-Means Clustering

2025-06-03T13:08:49+00:00

Ketimpangan distribusi guru dan ketersediaan Sekolah Menengah Atas (SMA) Negeri di Indonesia menjadi tantangan serius dalam mewujudkan pemerataan pendidikan. Penelitian ini bertujuan untuk menganalisis dan mengevaluasi distribusi jumlah guru, siswa, dan sekolah SMA Negeri dengan menerapkan algoritma K-Means Clustering. Data bersumber dari Badan Pusat Statistik (BPS) tahun 2023–2024 yang mencakup seluruh provinsi di Indonesia. Melalui pendekatan data mining menggunakan Orange, dilakukan proses pra-pemrosesan data, normalisasi, pemodelan klaster, serta visualisasi hasil. Hasil penelitian menunjukkan terbentuknya tiga klaster wilayah: Klaster 1 yang mencakup 20 provinsi dengan distribusi guru dan sekolah yang relatif ideal, Klaster 2 yang terdiri dari 6 provinsi di kawasan timur seperti Papua dan Maluku dengan tantangan tinggi akibat keterbatasan infrastruktur pendidikan, serta Klaster 3 yang berisi 8 provinsi dengan kondisi distribusi sedang. Penelitian ini mengungkap bahwa kebijakan nasional seperti rasio ideal 20:1 dalam pemberian tunjangan profesi guru belum adaptif terhadap kondisi geografis dan demografis lokal. Hasil klasterisasi ini memberikan dasar visual dan analitik yang kuat bagi pemerintah pusat dan daerah dalam merumuskan kebijakan pemerataan pendidikan yang lebih adil dan kontekstual, khususnya di jenjang menengah atas.

Peramalan Multivariate Time Series Harga Aspal Menggunakan Algoritma Gated Recurrent Unit

2025-07-31T02:10:05+00:00

Fluktuasi harga minyak global menimbulkan volatilitas tinggi pada harga aspal dan menciptakan ketidakpastian dalam perencanaan bisnis. Penelitian ini mengembangkan model multivariate forecasting harga aspal menggunakan algoritma Gated Recurrent Unit (GRU). Proses penelitian mengikuti tahapan Business Understanding, Data Understanding, Data Preprocessing, Data Modelling, Evaluation, dan Deployment. Data yang dianalisis mencakup harga aspal (kategori low dan high) serta harga minyak global (close) periode 2016–2023, dengan total 371 observasi. Hasil eksplorasi menunjukkan bahwa harga minyak menjadi prediktor dominan terhadap perubahan harga aspal. Evaluasi model memperlihatkan kinerja GRU yang sangat baik dengan nilai rata-rata MAE 6,2441, RMSE 8,2880, dan R² sebesar 96,05%, yang menandakan kemampuan model dalam mengenali pola deret waktu secara akurat. Namun demikian, keterbatasan penelitian ini terletak pada cakupan data yang bersumber dari satu perusahaan dengan rentang waktu terbatas, sehingga berpotensi menimbulkan bias representatif. Selain itu, model GRU cenderung sensitif terhadap parameter pelatihan dan ukuran windowing, yang dapat mempengaruhi stabilitas hasil pada data dengan pola musiman ekstrem. Dalam implementasi praktis, integrasi GRU ke dalam sistem bisnis juga memerlukan kapasitas komputasi dan pembaruan model berkala agar hasil prediksi tetap adaptif terhadap dinamika pasar global. Model akhir diimplementasikan dalam dashboard interaktif berbasis Power BI untuk mendukung visualisasi tren harga dan mempercepat pengambilan keputusan strategis

Analisis Komparatif Kernel Linear, Polynomial, RBF, dan Sigmoid pada Support Vector Machine untuk Klasifikasi Penyakit Jantung

2025-09-26T01:46:09+00:00

Penyakit jantung masih menjadi salah satu penyebab utama kematian di berbagai belahan dunia, sehingga deteksi dini sangat diperlukan untuk menekan risiko yang mungkin timbul. Penelitian ini menerapkan algoritma Support Vector Machine (SVM) dalam mengklasifikasikan risiko penyakit jantung dengan melakukan perbandingan kinerja empat jenis kernel, yaitu linear, polynomial, radial basis function (RBF), dan sigmoid. Dataset yang digunakan berasal dari open dataset “Heart Disease” di Kaggle yang berisi 303 data pasien dengan 13 atribut klinis, age, sex, jenis nyeri dada (cp), tekanan darah saat istirahat (trestbps), kolesterol serum (chol), gula darah puasa (fbs), hasil EKG istirahat (restecg), detak jantung maksimum (thalach), angina akibat olahraga (exang), depresi ST (oldpeak), kemiringan segmen ST (slope), jumlah pembuluh darah utama (ca), dan thal, serta satu target biner yang menunjukkan ada/tidaknya penyakit jantung. Proses penelitian meliputi pemuatan dataset dan eksplorasi awal, dilanjutkan pra-pemrosesan data, inisialisasi SVM, iterasi kernel, pelatihan model, prediksi pada data uji, serta evaluasi performa. Seluruh kernel dituning secara konsisten menggunakan GridSearchCV guna memperoleh konfigurasi optimal. Hasil evaluasi menunjukkan bahwa kernel polynomial memberikan performa terbaik dengan akurasi 88,52% dan F1-score 89%. Dengan demikian, kernel polynomial dinilai sebagai pilihan paling optimal untuk klasifikasi penyakit jantung menggunakan metode SVM

Analisis Sentimen Masyarakat Papua Terhadap Program Makan Gizi Gratis di Indonesia

2025-06-08T01:21:00+00:00

Penelitian ini bertujuan untuk mengeksplorasi persepsi masyarakat Papua terhadap Program Makan Gizi Gratis yang dilaksanakan oleh Pemerintah Indonesia dengan menggunakan pendekatan analisis sentimen berbasis text mining. Data dikumpulkan dari platform media sosial X (Twitter) pada periode 24–28 Februari 2025. Sebanyak 712 tweet dianalisis menggunakan perangkat lunak Orange untuk mengklasifikasikan sentimen publik ke dalam tiga kategori, yaitu positif, netral, dan negatif. Hasil penelitian menunjukkan bahwa persepsi masyarakat cenderung positif, dengan 70,08% tweet menunjukkan dukungan terhadap program, 21,63% bersifat netral, dan 8,29% mengandung sentimen negatif. Pemetaan emosi berdasarkan model Ekman mengungkap dominasi emosi Surprise (Kejutan) dan Joy (Sukacita), yang mencerminkan antusiasme dan harapan terhadap kebijakan tersebut. Emosi negatif seperti Anger (Marah) dan Sadness (Kesedihan) muncul dalam proporsi yang sangat rendah, menunjukkan tingkat penerimaan yang cukup baik di kalangan pengguna media sosial. Temuan ini mengindikasikan bahwa masyarakat secara umum menilai Program Makan Gizi Gratis sebagai kebijakan positif, meskipun masih terdapat kekhawatiran mengenai efektivitas implementasinya. Penelitian ini menegaskan pentingnya pemanfaatan media sosial sebagai instrumen pemantauan persepsi publik secara real-time, serta merekomendasikan integrasi analisis sentimen dalam evaluasi kebijakan sosial berbasis data

Pengembangan Sistem Rekam Medis Digital Multiplatform Berbasis Tauri Framework

2025-10-18T12:20:39+00:00

Peraturan Menteri Kesehatan Republik Indonesia Nomor 24 Tahun 2022 mewajibkan seluruh fasilitas pelayanan kesehatan untuk menerapkan sistem Rekam Medis Elektronik (RME). Namun, tingkat adopsi RME di Indonesia masih rendah, di mana pada tahun 2022 hanya sekitar 40% dari 2.800 rumah sakit yang telah mengimplementasikannya. Klinik Unimuda Medical Center (UMC) masih menghadapi kendala pencatatan medis manual yang menyebabkan keterlambatan layanan dan potensi kesalahan data. Penelitian ini menawarkan solusi melalui pengembangan sistem rekam medis digital berbasis framework Tauri sesuai standar SATUSEHAT untuk mendukung digitalisasi pencatatan medis di Klinik UMC. Sistem dikembangkan menggunakan bahasa Go, basis data PostgreSQL, dan integrasi Redis untuk manajemen sesi, dengan penerapan Clean Architecture pada backend serta Feature-Driven Layered Architecture pada frontend. Antarmuka pengguna dibangun menggunakan framework Tauri agar dapat berjalan lintas platform berbasis teknologi web. Metode yang digunakan adalah Waterfall dengan tahapan analisis kebutuhan, perancangan, implementasi, pengujian menggunakan Black-Box dan UAT. Hasil pengujian menunjukkan seluruh fitur utama berjalan sesuai spesifikasi, mampu memenuhi kebutuhan dan kepuasan pengguna. Sistem terbukti stabil, responsif lintas perangkat, mudah dikembangkan, dipelihara dan didistribusikan, serta menjadi langkah awal transformasi digital menuju ekosistem kesehatan nasional SATUSEHAT.

Implementasi Sistem Pakar Diagnosis Awal Penyakit Lambung Menggunakan Algoritma Naives Bayes Berbasis MERN Stack

2025-08-07T02:29:36+00:00

Penyakit lambung, seperti gastritis, tukak lambung, dan Penyakit Refluks Gastroesofageal (GERD), merupakan masalah kesehatan yang banyak dialami masyarakat, baik di Indonesia maupun di dunia. Tingginya prevalensi penyakit lambung seringkali disebabkan oleh pola hidup yang tidak sehat, seperti pola makan yang tidak teratur, konsumsi makanan pedas, dan stres yang berkepanjangan. Keterlambatan dalam mendiagnosis penyakit lambung dapat mengakibatkan komplikasi yang serius, sehingga deteksi dini sangat penting untuk mencegah dampak buruk lebih lanjut. Penelitian ini bertujuan untuk mengembangkan sistem pakar untuk diagnosis dini penyakit lambung berbasis teknologi MERN Stack dengan Algoritma Naïve Bayes. Sistem ini dirancang agar dapat diakses melalui perangkat berbasis web, menampilkan antarmuka pengguna yang intuitif dan presentasi gejala yang spesifik. Naïve Bayes digunakan untuk menganalisis data gejala yang diinput oleh pengguna, sehingga menghasilkan diagnosis awal yang cepat dan akurat. Hasil penelitian menunjukkan bahwa sistem ini mampu memberikan diagnosis dengan tingkat akurasi 96% berdasarkan pengujian pada 25 pengguna. Selain itu, Uji Penerimaan Pengguna (UAT) menghasilkan skor kepuasan sebesar 90,4%, yang menunjukkan penerimaan yang sangat baik oleh masyarakat. Dengan inovasi ini, sistem pakar ini diharapkan dapat menjadi alat yang efektif dalam meningkatkan kesadaran masyarakat akan pentingnya deteksi dini penyakit lambung, serta berkontribusi pada pencegahan dan penanganan penyakit lambung secara lebih optimal.