MALCOM: Indonesian Journal of Machine Learning and Computer Science

Implementasi Internet of Things pada Smart Aquaponics Menggunakan Sensor Level Air dan Sensor BH1750 untuk Monitoring Parameter Lingkungan Berbasis Web Dashboard

Fera Darmayanti — 2026-03-26

Sistem aquaponik merupakan metode budidaya yang menggabungkan perikanan dan pertanian dalam satu ekosistem, sehingga memerlukan monitoring parameter lingkungan secara optimal dan akurat. Permasalahan dalam sistem ini adalah kurangnya pemantauan kondisi volume air dan intensitas cahaya secara langsung, yang menimbulkan dampak pada pertumbuhan dan kesehatan ikan. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem smart aquaponics berbasis Internet of Things yang dapat memonitor level air dan intensitas cahaya melalui dashboard web. Sistem ini memanfaatkan sensor ultrasonik HC-SR04 sebagai pengukur level air dan sensor cahaya BH1750 sebagai pendeteksi intensitas cahaya. Hasil pengujian menunjukkan bahwa sensor ultrasonik memiliki error rate 0,70%, nilai MAE 0,54, dan standar deviasi 0,21, sedangkan sensor cahaya BH1750 memiliki error rate 0,35%, nilai MAE 0,35 lux, dan standar deviasi 0,12 lux. Rata-rata cahaya yang terukur sebesar 216,1 lux dengan kategori cukup terang untuk keperluan monitoring. Berdasarkan hasil pengujian tersebut, sistem mampu melakukan monitoring parameter lingkungan aquaponik secara akurat, stabil, dan real-time sehingga dapat mendukung pengelolaan sistem aquaponik serta menjadi solusi monitoring lingkungan aquaponik berbasis IoT dan menjadi dasar pengembangan sistem lebih lanjut.

K-Means and Decision Tree Models for Analysis Students Perception of Digital Marketing

Tesdiq Prigel Kaloka — 2026-04-18

Amid intensifying competition among educational institutions and the rapid expansion of digital platforms, schools must adopt effective digital marketing strategies to attract prospective students. This research examines students’ perceptions of the implementation of digital marketing at the Global Islamic Boarding School (GIBS) in Barito Kuala Regency, South Kalimantan, Indonesia. Data were collected from 95 students using a structured questionnaire comprising 20 variables related to digital marketing and word-of-mouth communication. A hybrid analytical framework integrating K-Means Clustering and Decision Tree analysis was employed to identify perception-based segments and determine key differentiating indicators. The Elbow method indicated an optimal three-cluster solution, resulting in highly positive, negative, and moderate perception groups. Decision Tree results revealed that engaging content (B7), social media stability (B12), and invitation to attend school (C19) were the most influential variables distinguishing clusters, with satisfactory classification performance supporting the robustness of the segmentation. The findings suggest that emotionally engaging and experientially rich content plays a more decisive role in shaping student perceptions than purely technical aspects of digital media management. Accordingly, schools should optimize their digital marketing strategies by emphasizing authentic student experiences, maintaining consistent, stable online communication, and incorporating persuasive calls to action to enhance prospective students’ interest.

Pendekatan Multi-Hirarki untuk Grading Sarang Burung Walet Berdasarkan Deteksi Bentuk dan Klasifikasi Warna

Reinhard Alfaries Saemani — 2026-04-18

Sarang burung walet (SBW) merupakan komoditas bernilai ekonomi tinggi yang grading-nya masih banyak dilakukan secara manual sehingga rentan terhadap subjektivitas dan inkonsistensi, khususnya pada penilaian bentuk dan warna. Penelitian ini bertujuan mengembangkan sistem grading SBW yang objektif dan konsisten pada tahap bahan mentah melalui pendekatan multi-hirarki berbasis machine learning. Sistem terdiri dari dua level: deteksi bentuk menggunakan YOLOv8 untuk mengklasifikasikan tiga kategori utama (mangkok, oval, segitiga), dan analisis warna pada area sarang hasil cropping melalui segmentasi HSV lalu klasifikasi di ruang warna CIELAB. Model dilatih menggunakan 840 citra (3360 objek) dan diuji pada 120 citra (480 objek), dengan evaluasi performa deteksi dan klasifikasi secara kuantitatif. Hasil eksperimen menunjukkan YOLOv8 mencapai mAP@0,5 sebesar 99,5% dengan presisi dan recall sangat tinggi pada semua kelas bentuk, sedangkan analisis warna menghasilkan distribusi kuantitatif warna putih, kuning, dan kuning sekali tanpa tumpang tindih antar kelas. Pendekatan ini mengintegrasikan deteksi bentuk real-time berbasis YOLOv8 dengan klasifikasi warna perceptually uniform CIELAB, menghasilkan sistem grading SBW yang akurat, konsisten, dan aplikatif di industri, sekaligus menghadirkan metode terintegrasi yang lebih komprehensif dibandingkan penelitian sebelumnya yang hanya menekankan salah satu aspek, bentuk atau warna.

Implementation of Machine Learning to Predict The Timeliness of Graduation of Employees on Study Assignment at Company X

Parenda Rizkya Permata — 2026-04-18

The energy transition requires workers in the energy sector who have relevant skills that can be applied in the future. Company X implements a study assignment program to improve its employees' skills, but delays in completing their studies hinder their readiness to enter the workforce. Identifying the factors that influence graduation timeliness can improve the program's effectiveness. This study aims to develop a predictive model to determine whether employees in Company X's work-study program will graduate on time. The main purpose of this model is to provide early warnings about employees at risk of delays, enabling more targeted interventions to improve human resource management. We applied the CRISP-DM framework and used Machine Learning to analyze data from 317 employees who participated in the study program. Four machine learning algorithms were tested, namely Gradient Boosting, Decision Tree, Random Forest, and Naive Bayes. 17 factors were trained to cover academic, demographic, and administrative aspects to predict timely graduation. Among the algorithms tested, Gradient Boosting showed the best performance with an AUC of 0.956 and an accuracy of 0.909. These results were supported by high ROC and confusion matrix values, indicating the model's excellent predictive ability.

Comparative Analysis of ANN, 1D-CNN, and LSTM for Multi-Label Action Prediction in IoT-Based Hydroponic Control Systems

Reza Octaviany — 2026-04-18

Hydroponic cultivation requires precise and adaptive fertility control to maintain optimal plant growth. Conventional rule-based systems operate reactively and often fail to capture the multivariate and temporal dynamics of sensor data. Unlike previous studies that primarily focus on single-parameter forecasting, this study reformulates hydroponic automation as a multi-label actuator prediction problem, aiming to replicate and generalize rule-based control mechanisms using data-driven learning. A comparative analysis of Artificial Neural Network (ANN), one-dimensional Convolutional Neural Network (1D-CNN), and Long Short-Term Memory (LSTM) models was conducted to simultaneously predict six actuator states in an IoT-based hydroponic system. The dataset consists of 1,152 real multivariate time-series samples collected sequentially at 5-minute intervals, comprising six sensor features and six binary actuator labels derived from agronomic standards. Preprocessing includes Gaussian jitter-based augmentation, Z-score normalization, and sliding-window modeling (window size = 5). Data were split chronologically into 80% for training and 20% for testing, with 10% for validation. Results show that LSTM achieved the highest performance (accuracy up to 0.98; F1-score up to 0.95), demonstrating superior temporal modeling capability. Threshold optimization improved minority-actuator detection, enabling reliable, adaptive hydroponic control.

Predicting Students’ Mathematics Scores from Reading Scores Using Supervised Learning

Nofita Fitriyani — 2026-04-18

This study aims to predict students’ mathematics scores based on their reading scores using a supervised learning approach. The dataset used is from Students' Performance in Exams (Kaggle), consisting of 1,000 student records, and was analyzed using Microsoft Excel and Google Colaboratory. The data was divided into training and test data with a ratio of 80:20. The research stages included descriptive statistical analysis, data visualization, Pearson correlation testing, linear regression model development, and model performance evaluation using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and coefficient of determination (R²). Prior to modeling, regression assumptions including linearity, normality of residuals, and homoscedasticity were examined to ensure model validity. The results showed a strong positive relationship between reading and math scores with a correlation coefficient of 0.818. The linear regression model produced an MAE of 7.281, an RMSE of 8.818, and an R² of 0.680. Decision Tree Regressor was selected as a comparison model because it represents a non-linear and non-parametric supervised learning approach commonly used in educational data mining. This study contributes to educational data mining literature by demonstrating that interpretable regression models explain significant mathematics achievement variance, rivaling the performance of non-linear alternatives.

Comparative Analysis of Random Forest, Explainable Boosting Machine and Ensemble Stacking Performance for Hepatitis C Disease Classification

Anastasia Ngeni Bagur — 2026-04-19

This study analyzed and compared the performance of three machine learning methods: Random Forest, Explainable Boosting Machine, and a Stacking Ensemble method for Hepatitis C disease classification. The study evaluated the effects of handling extreme values using the interquartile range method and applying class-balancing oversampling to the training data. A dataset of 615 patient samples, categorized into five severity classes, was used. Experiments were conducted across four scenarios: with and without outlier correction, and with and without class balancing. Model performance was assessed using accuracy, precision, recall, F1-score, and the area under the receiver operating characteristic curve. Results showed that class balancing consistently improved all macro-averaged performance metrics. The combination of Random Forest with oversampling prior to outlier correction achieved the highest F1-score of 0.8086 and an area under the curve of 0.9710. These findings highlighted the importance of addressing class imbalance to improve the recognition of minority classes in clinical datasets and demonstrated the potential of ensemble methods for reliable severity classification in Hepatitis C.

Implementasi Perbandingan YOLO v8, v9, dan v11 dalam Penerapan Tata Tertib K3: Deteksi Penggunaan Helm Keselamatan di Lingkungan Konstruksi

Rafael Praseli — 2026-04-19

Penegakan aturan keselamatan kerja secara konsisten merupakan langkah penting dalam menciptakan lingkungan konstruksi yang aman dan tertib. Penelitian ini dilakukan dengan pendekatan eksperimen menggunakan dataset Hard Hats Computer Vision Project yang berjumlah sekitar 20.000 gambar beranotasi, dengan memanfaatkan teknologi kecerdasan buatan melalui algoritma YOLOv8, YOLOv9, dan YOLOv11. Model dilatih menggunakan dataset pekerja konstruksi dan dievaluasi berdasarkan tiga metrik utama, yaitu precision, recall, serta mean Average Precision (mAP) untuk mengukur akurasi dan kemampuan generalisasi deteksi. Hasil penelitian menunjukkan bahwa YOLOv8 menghasilkan performa yang stabil dengan nilai precision sebesar 0,895, recall sebesar 0,895, dan mAP@50–95 sebesar 0,597 pada 60 epoch, sedangkan YOLOv11 mencapai akurasi tertinggi dengan precision sebesar 0,903, recall sebesar 0,897, dan mAP@50–95 sebesar 0,600. Sementara itu, YOLOv9 menunjukkan efisiensi yang lebih rendah dibandingkan dengan kedua model lainnya. Dengan demikian, YOLOv8 lebih sesuai untuk implementasi real-time karena stabil dan efisien, sedangkan YOLOv11 memiliki potensi akurasi yang lebih tinggi. Penelitian ini memberikan kontribusi baik secara akademis dalam pengembangan sistem berbasis AI maupun secara praktis dalam meningkatkan keselamatan kerja di lingkungan konstruksi.

UI/UX Desain Mobile Apps Skin Check untuk Identifikasi Jenis Kulit dan Rekomendasi Produk SkincareUI/UX Desain Mobile Apps Skin Check untuk Identifikasi Jenis Kulit dan Rekomendasi Produk Skincare

Nava Gia Ginasta — 2026-04-19

Penelitian ini bertujuan mengevaluasi implementasi User-Centered Design (UCD) pada aplikasi identifikasi jenis kulit dan rekomendasi skincare, serta menganalisis pengaruh usability terhadap trust dan intention to use. Penelitian menggunakan pendekatan kuantitatif dengan task-based usability testing dan kuesioner. Sebanyak 45 responden (usia 18–30 tahun) berpartisipasi dalam pengujian. Instrumen yang digunakan meliputi System Usability Scale (SUS), Trust Scale, dan Intention to use Scale. Data objektif yang diukur mencakup Task Completion Rate, waktu penyelesaian, dan Error Rate. Hasil menunjukkan Task Completion Rate sebesar 92%, Error Rate sebesar 5%, dan rata-rata waktu penyelesaian sebesar 2,4 menit. Skor SUS sebesar 84,6 termasuk kategori excellent. Skor trust dan intention to use masing-masing sebesar 4,3 dan 4,5 (skala 1–5). Analisis korelasi Pearson menunjukkan hubungan positif yang kuat antara usability dan trust (r = 0,71), serta antara trust dan intention to use (r = 0,76). Temuan ini menunjukkan bahwa peningkatan usability berkontribusi secara signifikan terhadap kepercayaan dan niat penggunaan aplikasi. Penelitian ini menegaskan pentingnya integrasi UCD dan evaluasi usability berbasis data empiris dalam pengembangan aplikasi skincare digital.

Analisis Sentimen Berbasis Aspek pada Ulasan Pariwisata Menggunakan Varian Algoritma K-Nearest Neighbor

Anastasya Nurfitriyani Hidayat — 2026-04-19

Sektor pariwisata merupakan sektor kunci dalam pembangunan daerah dan kesejahteraan masyarakat. Ulasan pengunjung penting karena memberikan informasi yang membantu meningkatkan kualitas objek wisata. Penelitian ini bertujuan untuk melakukan analisis sentimen berbasis aspek pada objek wisata di Kabupaten Samosir dengan fokus pada tiga aspek utama, yaitu atraksi (attractions), amenitas (amenity), dan aksesibilitas (accessibility) berdasarkan ulasan pengunjung di Google Maps. Berdasarkan hasil eksperimen aspek objek wisata, Modified K-Nearest Neighbor (MKNN) mencapai akurasi 55,50%, presisi 62,28%, recall 80,03%, dan F1-Score 59,96%, sedangkan K-Nearest Neighbor (KNN) mencapai akurasi 74%, presisi 65,17%, recall 84,64%, dan F1-Score 70,45%. Untuk aspek kenyamanan, MKNN mencapai akurasi 89,50%, presisi 87,71%, recall 85,19%, dan F1-Score 86,27%, sedangkan KNN menghasilkan akurasi 92,50%, presisi 93,54%, recall 86,99%, dan F1-Score 89,83%. Pada aspek Aksesibilitas, MKNN memperoleh akurasi 85,50% dengan presisi 77,53%, recall 72,44%, dan F1-Score 74,71%, sedangkan KNN mencapai akurasi 86,50%, presisi 79,02%, recall 70,59%, dan F1-Score 74,05%. Dari sini terlihat bahwa model KNN masih menunjukkan performa yang lebih unggul dibandingkan dengan MKNN pada ketiga aspek yang dianalisis.

Unsupervised Text Mining of Employee Feedback for Identifying Organizational Strengths and Improvement Areas

Febri Ari Wicaksono — 2026-04-19

Employee feedback provides rich signals about organizational performance, yet its free-text format makes systematic analysis at scale difficult. This study proposes an unsupervised text mining workflow in Orange Data Mining to extract actionable themes from continuous employee comments by separating two semantic polarities: strength feedback (“What went well?”) and improvement feedback (“What could be improved?”). After cleaning and Indonesian-language preprocessing (Sastrawi stemming, custom stopwords), 3,406 strength and 3,172 improvement entries were represented using TF–IDF. Improvement feedback was clustered using K-Means and assessed with silhouette-based validation, while both feedback types were explored using LDA topic modeling supported by topic coherence checks for interpretability. The results reveal recurring organizational themes related to goal execution and performance, supervision, communication/coordination, and motivation, with notable vocabulary overlap between strengths and areas for improvement. Scientifically, this work demonstrates how polarity-aware unsupervised analytics improves interpretability compared to treating feedback as a single corpus, and practically, it provides a scalable way for managers to transform unstructured feedback into structured insights for targeted improvement initiatives.

Systematic Review and Bibliometric Mapping on Image Processing in Electronic Health Records

Amir Hamzah Dinnillah — 2026-04-19

The integration of medical image processing techniques into Electronic Health Records (EHR) has become a vital element in the transformation of modern digital healthcare services. This study aims to conduct a Systematic Literature Review (SLR) and bibliometric analysis to evaluate current research trends, patterns, and gaps from 2021 to 2025. Using the PRISMA framework and data from the Scopus database, this study analyzes 23 selected articles visualized using VOSviewer software. The results reveal a significant surge in publications, driven by the adoption of Artificial Intelligence (AI) and Deep Learning, which have been proven to improve diagnostic accuracy and facilitate early detection of critical diseases. Although these technologies support better clinical decision-making, major challenges related to system interoperability, data standardization, and patient privacy security remain substantial obstacles that need to be overcome. The study also highlights the role of emerging technologies such as the Internet of Medical Things (IoMT) and blockchain as potential solutions for data security. In conclusion, this research provides strategic guidance for developers and policymakers to create a more interoperable, secure, and efficient EHR ecosystem.

Time Series Approach for Analysis and Prediction of Malware Trends Based on Open Source Intelligence

Tommy Nugraha Manoppo — 2026-04-19

The growing threat of malware requires monitoring approaches that provide a continuous, measurable overview of threat trends. This study proposes an open-source intelligence-based malware trend monitoring system using time series forecasting and anomaly signaling. Data are obtained from the MalwareBazaar repository and processed into a daily malware activity time series, with contextual aggregation to identify dominant malware families. The AutoRegressive Integrated Moving Average (ARIMA) model is applied for short-horizon prediction, and statistical anomaly detection is implemented using Z-scores to flag activity deviations. The system is delivered as an interactive dashboard that visualizes daily malware trends, dominant malware families, forecasting outputs, and anomaly indicators. Experimental results show that ARIMA(2,0,0) provides measurable improvement over a naive persistence baseline, reducing MAE from 102.75 to 92.67 and RMSE from 125.13 to 109.73, while improving sMAPE from 26.74% to 24.48% on the evaluation window. The novelty of this work lies in integrating an OSINT malware repository signal, benchmarked statistical forecasting, quantitative evaluation, and anomaly signaling into a single monitoring dashboard. Practically, the system can support SOC analysts by providing early-warning cues for monitoring prioritization and support digital forensic practitioners by strengthening digital forensic readiness through earlier visibility emerging malware activity dynamics and dominant artifact categories.

Systematic Literature Review of Transfer Learning for Pneumonia Classification in Chest X-Rays

Erlan Bachtiar — 2026-04-19

Diagnosis of pneumonia through manual interpretation of Chest X-Ray (CXR) images is often hampered by observer subjectivity and radiologist fatigue, which can potentially lead to misdiagnosis. This study aims to evaluate the effectiveness and development trends of Transfer Learning techniques, particularly the ResNet, VGG, and DenseNet architectures, in pneumonia classification through the Systematic Literature Review (SLR) method. In accordance with the PRISMA protocol, the search was conducted in the Scopus database from 2021 to 2025, yielding 76 articles that met the inclusion criteria. Bibliometric analysis shows that the publication trend, initially triggered by the urgency of the pandemic, has now shifted to a phase of technological maturity, with a focus on integrating Explainable AI (XAI) to address black-box problems. Geographically, research contributions are dominated by institutions in Asia and the Middle East. The main findings confirm that Transfer Learning can significantly improve diagnostic accuracy and initial screening efficiency compared to conventional methods. However, challenges such as data imbalance and the need for clinical validation remain obstacles. This study concludes that the future of computer-assisted diagnosis systems depends on improving model transparency to support precise and reliable Clinical Decision Support Systems (CDSS).

The Lexicon-Based Sentiment Analysis for Stock Price Prediction in Islamic Fashion Industry

Entis Sutisna — 2026-04-19

This study develops a lexicon-based sentiment analysis method to examine the relationship between social media sentiment and stock price movements in Indonesia's Islamic fashion industry. We collected 6,087 social media comments from TikTok, Instagram, and Twitter over 396 days, alongside daily stock data from Elzatta (ZATA). Using an Indonesian fashion-specific lexicon with 42 positive and 38 negative indicators validated through inter-annotator agreement (Cohen's Kappa = 0.82), we employed ordinary least squares regression with heteroskedasticity-robust standard errors to test sentiment-return relationships. Results show no economically significant relationship between social media sentiment and stock returns (correlation = -0.06, p = 0.240), with models explaining only 2.09% of return variance. We identify three boundary conditions limiting sentiment-based prediction: (1) feature mismatch 82% of comments discuss product attributes rather than business fundamentals, (2) demographic disconnect social media users (78% female, aged 18-29) differ markedly from investors (68% male, aged 35-55), and (3) market microstructure constraints 43% zero-volume days and 2.3% bid-ask spreads impede price discovery. This study provides the first Indonesian fashion-specific sentiment lexicon and establishes actionable validation guidelines for practitioners: sentiment features must be verified for demographic alignment and market liquidity before deployment. For machine learning applications in emerging markets

Performance Comparison of Facial Skin Type Classification Using the Segment Anything Model

Nisrina Nur Kumala — 2026-04-19

The facial skin is the first area to often experience various problems. Knowing one’s skin type is an important step in choosing the right skincare routine, but it can be difficult to determine accurately without a specialist's help, which can be costly. To address this, a deep learning approach can be applied to help automatically classify skin types. In this study, several combinations of CNN, MobileNetV3, and SAM models were applied and compared for facial skin type classification. The dataset used, sourced from the figshare platform, consists of 2,250 facial images representing 5 skin types: normal, dry, oily, sensitive, and combination. The dataset was divided into three parts: training (80%), validation (10%), and testing (10%). Each model was evaluated using a confusion matrix, with accuracy, precision, recall, and F1-score metrics used to determine and compare model performance. The results show that the CNN performed worst, while the MobileNetV3-based CNN was the best-performing model, achieving an accuracy of 97%. Meanwhile, adding SAM did not improve performance and actually decreased accuracy. This study demonstrates that using MobileNetV3 without segmentation is more effective than adding SAM segmentation for facial skin type classification.

Implementasi Algoritma K-Nearest Neighbors dalam Analisis Sentimen Ulasan Aplikasi Bank Aladin

Taniya Raisha Dwiva Putri — 2026-04-19

Digitalisasi layanan Aladin Bank Syariah melahirkan variasi ulasan di Google Play Store yang mencakup aspek kepraktisan hingga permasalahan teknis aplikasi. Guna memahami polaritas opini tersebut, penelitian ini melakukan evaluasi sentimen pengguna dengan memanfaatkan metode klasifikasi K-Nearest Neighbors (KNN). Proses analisis melibatkan pengelompokan ulasan ke dalam kelas positif, netral, dan negatif menggunakan 80% data hasil scraping, yang diproses melalui pembatasan 6.000 fitur pembobotan TF-IDF. Pengujian model mencatatkan tingkat akurasi sebesar 86,71%, di mana algoritma menunjukkan keunggulan signifikan dalam mengidentifikasi sentimen positif (F1-score 0,93) dan berkinerja cukup baik pada sentimen negatif (F1-score 0,68). Walaupun pengenalan terhadap kelas netral masih belum maksimal (F1-score 0.08), perolehan nilai rata-rata keseluruhan adalah 0.86, yang mengindikasikan efektivitas model secara umum. Temuan riset ini dapat dioptimalkan oleh manajemen bank sebagai landasan evaluasi untuk menyempurnakan kualitas layanan perbankan digital mereka.

Pengaruh ChatGPT Terhadap Peforma Akademik Mahasiswa Menggunakan Algoritma Support Vector Machine

Gita Aulia — 2026-04-20

Perkembangan teknologi kecerdasan buatan, khususnya ChatGPT, telah memengaruhi pola pembelajaran mahasiswa dalam mencari informasi dan menyelesaikan tugas akademik. Teknologi ini memberikan kemudahan dan efisiensi dalam memperoleh informasi, namun juga menimbulkan kekhawatiran terhadap potensi ketergantungan yang dapat memengaruhi performa akademik mahasiswa. Tujuan dari studi adalah menganalisis pengaruh penggunaan ChatGPT terhadap performa akademik mahasiswa melalui klasifikasi sentimen. Kuantitatif merupakan pendekatan yang dipakai pada studi ini dengan teknik text mining dan algoritma Support Vector Machine (SVM) guna mengklasifikasikan pendapat mahasiswa dalam sentimen negatif maupun positif. Data penelitian diperoleh secara daring dan didistribusikan kepada mahasiswa Program Studi Ilmu Komputer Universitas Islam Negeri Sumatera Utara, menghasilkan 1.104 komentar. Data diproses melalui beberapa tahapan, yaitu text preprocessing, pembobotan TF-IDF, pembagian data latih dan uji, serta evaluasi model memakai confusion matrix. Hasil penelitian menampilkan bahwa model SVM mengklasifikasikan 778 data sebagai sentimen positif dan 326 data sebagai sentimen negatif dengan tingkat akurasi sebesar 79,44%. Temuan ini menunjukkan bahwa mayoritas mahasiswa mempunyai persepsi positif terhadap penggunaan ChatGPT sebagai sarana pendukung pembelajaran. Selain itu, hasil penelitian ini memberikan implikasi penting mengenai perlunya pemanfaatan teknologi kecerdasan buatan secara bijak dalam mendukung proses pembelajaran tanpa mengurangi kemandirian belajar mahasiswa

Analisis Sentimen Ulasan Pengguna Aplikasi Akupunktur di Play Store Menggunakan Naïve Bayes

Wahyu Teja Kusuma — 2026-04-20

Integrasi kemajuan teknologi ke dalam layanan kesehatan tidak dapat dihindari. WHO menekankan aspek aksesibilitas dan keamanan pasien pada integrasi teknologi dalam layanan kesehatan. Di bidang akupunktur, saat ini telah banyak sekali ulasan-ulasan pengguna aplikasi akupunktur yang memiliki potensi untuk memengaruhi kepercayaan masyarakat. Namun, belum ada penelitian yang membahas ulasan pengguna aplikasi akupunktur. Berdasarkan gap tersebut, penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan pengguna aplikasi akupunktur yang telah ada di Google Play Store. Penelitian-penelitian analisis sentimen sebelumnya, banyak mengandalkan Deep Learning seperti LSTM atau BERT. LSTM atau BERT memiliki akurasi tinggi, namun membutuhkan sumber daya komputasi besar dan data latih yang massif. Dalam konteks aplikasi niche seperti aplikasi akupunktur dengan volume data ulasan yang tidak sebanyak aplikasi populer seperti WhatsApp atau TikTok, algoritma probabilistik klasik seperti Naïve Bayes sering kali terbukti lebih efisien dan andal. Naïve Bayes memiliki keunggulan dalam kecepatan komputasi, interpretabilitas yang baik, serta performa yang tetap stabil pada dataset dengan jumlah fitur yang terbatas maupun tidak seimbang. Akhirnya, penelitian ini melakukan analisis sentimen ulasan pengguna aplikasi akupunktur di Google Play Store dengan menggunakan Naïve Bayes. Penelitian ini berkontribusi menghasilkan analisis sentimen yang dapat menjadi baseline yang penting dalam pengembangan aplikasi akupunktur di masa depan.

Analisis Perbandingan Kinerja IndoBERT dan TF-IDF dalam Mengklasifikasikan Sentimen EDOM Menggunakan Algoritma K-Nearest Neighbor

Tifanny Nabarian — 2026-04-20

Dalam konteks pendidikan tinggi, dosen berkontribusi besar terhadap peningkatan kualitas pembelajaran. Di Sekolah Tinggi Teknologi Terpadu Nurul Fikri (STT NF), Evaluasi Dosen oleh Mahasiswa (EDOM) dilaksanakan setiap akhir semester dan menghasilkan data komentar mahasiswa. Namun, analisis masih dilakukan secara manual sehingga kurang efisien dan berpotensi subjektif. Selain itu, belum terdapat kajian komparatif mengenai metode representasi yang sesuai untuk digunakan bersama algoritma K-Nearest Neighbor (KNN) khususnya pada data EDOM. Tujuan dari penelitian ini adalah menganalisis dan membandingkan kinerja IndoBERT dan TF-IDF dalam merepresentasikan teks untuk klasifikasi sentimen komentar EDOM menggunakan KNN. Metode penelitian mengacu pada tahapan CRISP-DM dengan dataset komentar EDOM tahun 2024. Hasil penelitian menunjukkan bahwa IndoBERT+KNN menghasilkan accuracy sebesar 0,903 serta menunjukkan nilai precision, recall, dan F1-score yang lebih seimbang antarkelas dibandingkan TF-IDF+KNN yang memperoleh accuracy sebesar 0,820 dengan performa metrik evaluasi yang cenderung kurang seimbang antarkelas. Hasil ini menunjukkan representasi kontekstual IndoBERT lebih efektif dalam menangani kompleksitas komentar EDOM dan algoritma KNN yang berbasis jarak dibandingkan dengan pendekatan berbasis frekuensi kata pada TF-IDF. Berdasarkan temuan tersebut, penelitian ini memberikan pemilihan metode representasi teks yang lebih optimal untuk pengembangan analisis sentimen secara lebih objektif dan efisien

Desain dan Implementasi Sistem Presensi Portabel Berbasis Internet of Things dengan Validasi Multi-Faktor untuk Akuntabilitas Tenaga Kerja Lapangan

Marhaeni Marhaeni — 2026-04-20

Manajemen presensi untuk tenaga kerja lapangan sering kali tidak efisien dan rentan terhadap manipulasi, sehingga menciptakan tantangan signifikan dalam menjaga akuntabilitas operasional. Teknologi Internet of Things (IoT) menawarkan potensi besar untuk otomasi, namun penelitian yang ada sering kali belum menyajikan sebuah solusi holistik yang portabel, terjangkau, dan mampu memberikan validasi berlapis yang tak terbantahkan. Penelitian ini mengusulkan dan mengevaluasi sebuah sistem presensi portabel berbasis IoT yang dirancang untuk mengatasi celah tersebut. Sistem ini dikembangkan menggunakan arsitektur perangkat keras modular (Arduino Uno dan ESP32-CAM), mengintegrasikan Near Field Communication (NFC) untuk identifikasi, Global Positioning System (GPS) untuk validasi lokasi, Network Time Protocol (NTP) untuk integritas waktu, serta kamera untuk bukti visual, dengan data yang dikirim secara real-time ke layanan cloud. Pengujian fungsional dan kinerja menunjukkan reliabilitas sistem yang sangat tinggi dengan 100% Task Success Rate (TSR) pada semua skenario uji dan waktu respons end-to-end rata-rata 5,25 detik. Model arsitektur yang tervalidasi ini menawarkan sebuah kerangka kerja yang praktis dan kokoh untuk implementasi sistem presensi cerdas, secara signifikan meningkatkan transparansi dan akuntabilitas dalam manajemen tenaga kerja lapangan.

Implementasi Metode Hybrid Backpropagation Neural Network dan Particle Swarm Optimization untuk Prediksi Konsumsi Listrik Rumah Tangga Berdasarkan Golongan Tarif

Yuni Artha Chyntia Saragih — 2026-04-23

Konsumsi listrik pada sektor rumah tangga terus meningkat seiring dengan pertumbuhan penduduk dan perkembangan sosial ekonomi. Penelitian ini mengusulkan model peramalan hybrid yang mengintegrasikan Backpropagation Neural Network (BPNN) dengan Particle Swarm Optimization (PSO) untuk meningkatkan akurasi prediksi konsumsi listrik rumah tangga berdasarkan golongan tarif. Data historis penjualan listrik bulanan periode 2020 sampai dengan 2024 digunakan sebagai dataset, yang mencakup jumlah pelanggan, daya tersambung, dan konsumsi energi. Hasil penelitian menunjukkan bahwa model BPNN–PSO memiliki kinerja yang lebih baik dibandingkan dengan BPNN murni. Proses optimasi berhasil menurunkan nilai Mean Absolute Percentage Error (MAPE) dari 57,97% menjadi 46,38% serta meningkatkan nilai koefisien determinasi (R²) dari –0,2403 menjadi 0,1831. Model yang diusulkan kemudian digunakan untuk memproyeksikan kebutuhan listrik periode 2025–2029 dan menunjukkan adanya tren pertumbuhan yang konsisten. Temuan ini membuktikan bahwa pendekatan hybrid BPNN–PSO dapat menjadi alat peramalan yang lebih andal dalam mendukung perencanaan dan pengambilan keputusan di sektor ketenagalistrikan.

Segmentasi Pelanggan Kartu Halo Telkomsel Berbasis K-Means di Wilayah Sumbagsel

Muhammad Bayu Samudra — 2026-04-23

Perusahaan telekomunikasi dalam menjalankan operasionalnya harus mengelola banyak data pelanggan, karena penggunaan layanan digital terus bertambah. Namun, data tersebut biasanya hanya digunakan untuk urusan administratif, sehingga kemampuan untuk menganalisis data guna memahami perilaku pelanggan belum sepenuhnya dimanfaatkan. Penelitian ini secara khusus bertujuan untuk mengelompokkan pelanggan berdasarkan pola penggunaan layanan guna mengidentifikasi karakteristik setiap segmen secara lebih sistematis. Data yang digunakan merupakan data pelanggan pascabayar Kartu Halo wilayah Sumbagsel tahun 2025 yang diperoleh dari PT Telkomsel Smart Office Palembang dengan total 4.645 data. Metode yang digunakan adalah Knowledge Discovery in Databases (KDD), yang terdiri dari beberapa tahap yaitu preprocessing, transformation, dan data mining. Proses pengelompokan dilakukan dengan menggunakan algoritma K-Means, bantuan perangkat lunak RapidMiner. Penelitian menunjukkan bahwa pelanggan bisa dibagi menjadi tiga kelompok dengan kebiasaan menggunakan layanan yang berbeda. Evaluasi menggunakan Davies-Bouldin Index menunjukkan bahwa model clustering memiliki kualitas yang baik dalam memisahkan antarkelompok. Secara ilmiah, penelitian ini membantu dalam penerapan metode clustering untuk membagi pelanggan dalam industri telekomunikasi. Secara nyata, hasil ini bisa dipakai untuk membantu membuat strategi pemasaran yang lebih tepat dan didasarkan pada data.

Penentuan Metode MOORA pada Sistem Pendukung Keputusan Penentuan Tempat Praktik Kerja Lapangan

Zilan Nazmi Dalimunthe — 2026-04-23

Penentuan lokasi Praktik Kerja Lapangan (PKL) bagi siswa Sekolah Menengah Kejuruan (SMK) merupakan tahapan krusial untuk menyelaraskan kompetensi akademis dengan kebutuhan industri. Namun, proses pemilihan tempat PKL di SMK Yaspenda Pulau Rakyat masih bersifat konvensional dan subjektif, sehingga berisiko pada ketidaktepatan penempatan siswa. Penelitian ini bertujuan untuk mengimplementasikan Sistem Pendukung Keputusan (SPK) menggunakan metode Multi-Objective Optimization on the Basis of Ratio Analysis (MOORA) guna mengoptimalkan rekomendasi tempat PKL. Kriteria yang digunakan dalam penilaian meliputi presensi, keaktifan, serta minat dan bakat siswa. Hasil penelitian menunjukkan bahwa metode MOORA mampu melakukan pemeringkatan alternatif secara presisi, di mana SRH Training Center memperoleh nilai preferensi tertinggi (0,5596) sebagai lokasi paling direkomendasikan. Integrasi metode MOORA ke dalam sistem memberikan solusi yang terstruktur, objektif, dan efisien bagi pihak sekolah dalam pengambilan keputusan strategis penempatan siswa PKL.

Penerapan Model Recency, Frequency, Monetary untuk Segmentasi Pola Perilaku Pelanggan Indibiz

Aulia Pinkasari — 2026-04-23

PT Telkom Indonesia Witel Sumbagsel menghadapi kondisi Data Rich, Information Poor (DRIP), yaitu melimpahnya data transaksi yang belum dimanfaatkan secara optimal sebagai dasar pengambilan keputusan pada unit Payment Collection. Penelitian ini menerapkan metodologi Knowledge Discovery in Databases (KDD) menggunakan model RFM (Recency, Frequency, Monetary) dan algoritma K-Means Clustering untuk mengidentifikasi pola perilaku pembayaran pelanggan. Dataset terdiri dari 46.355 transaksi periode Januari–Desember 2025. Jumlah cluster optimal ditentukan menggunakan metode Elbow dan menghasilkan empat segmen pelanggan (k=4). Evaluasi menggunakan Silhouette Coefficient memperoleh nilai 0,3463 yang menunjukkan kualitas klaster yang dapat diterima. Hasil segmentasi mengelompokkan pelanggan ke dalam kategori loyal, potential, standard, dan churn-risk, sehingga mendukung penyusunan strategi penagihan yang lebih tepat sasaran dan berbasis data. Penelitian ini menunjukkan bahwa integrasi RFM dan K-Means efektif dalam mengubah data transaksi menjadi wawasan praktis bagi manajemen penagihan telekomunikasi.

Perbandingan Model Klasifikasi Supervised Machine Learning dalam Knowledge Discovery Layanan TI Pertamina Prabumulih

Shafa Aurelliza Arian — 2026-04-23

Pengelolaan data layanan Teknologi Informasi (TI) di Pertamina Prabumulih memerlukan pendekatan analitik untuk meningkatkan efektivitas penanganan dan mendukung pengambilan keputusan berbasis data. Penelitian ini bertujuan membandingkan performa beberapa model klasifikasi supervised machine learning pada layanan TI periode 2020–2025 menggunakan pendekatan knowledge discovery melalui teknik data mining terhadap 8.627 data awal. Tahapan penelitian meliputi preprocessing, pelabelan kelas, penanganan ketidakseimbangan data dengan Synthetic Minority Over-sampling Technique (SMOTE), serta pembagian data dengan skenario 70:30, 80:20, dan 90:10. Proses klasifikasi dilakukan menggunakan algoritma Naïve Bayes, Support Vector Machine (SVM), dan Random Forest. Evaluasi model menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa skenario 90:10 memberikan performa terbaik, dengan Support Vector Machine (SVM) mencapai accuracy 0,8806, precision 0,8757, recall 0,8941, dan F1-score 0,8788, melampaui algoritma lainnya. Kategori desktop hardware teridentifikasi sebagai kasus terbanyak selama periode penelitian. Temuan ini dapat dimanfaatkan sebagai dasar strategis untuk prioritas penanganan layanan, alokasi sumber daya, serta penguatan Knowledge Management guna peningkatan layanan TI secara terarah, efektif, dan berkelanjutan.

Penerapan Database Tuning Melalui Indexing dan Optimasi Query pada Sistem Kuesioner Akademik

Ikhwan Ikhwan — 2026-04-24

Kuesioner akademik adalah sistem yang dibuat untuk mengumpulkan informasi penilaian dari dosen dan mahasiswa. Penilaian tersebut meliputi penilaian mahasiswa terhadap kinerja dosen dan penilaian mahasiswa atau dosen terhadap pelayanan kampus. Seiring berjalannya waktu, jumlah data yang masuk ke basis data semakin bertambah dan membuat kinerja sistem menjadi lebih lambat. Untuk itu, penelitian ini bertujuan untuk mengatasi masalah tersebut dengan menggunakan penerapan database tuning melalui indexing dan optimasi query. Metode ini digunakan untuk mempercepat pencarian atau pengambilan data pada saat query SQL dijalankan. Indexing dapat diimplementasikan pada tabel dengan jumlah baris data yang banyak, dan penggunaan query yang tepat dapat membantu memberikan indexing yang cepat. Terdapat 3.107.177 baris data pada penelitian ini, namun pada penelitian ini hanya sekitar 3.000.000 data yang dipakai. Pengujian dilakukan dengan menggunakan B-tree Indexing pada tabel dan optimasi kueri SQL SELECT dengan penggunaan klausa WHERE dan GROUP BY. Hasil yang diharapkan berupa kueri data yang menjadi lebih cepat dan efektif untuk meningkatkan kinerja pada basis data setelah melakukan Table Indexing dan Optimasi Query.

Tinjauan Literatur Sistematis Tentang Algoritma Deteksi Objek untuk Sistem Otonom: Evaluasi Arsitektur CNN, Tantangan Dataset, dan Strategi Implementasi

Mohammad Yasser Arafat — 2026-04-24

Sistem deteksi objek berbasis Convolutional Neural Network (CNN) menjadi komponen penting dalam pengembangan teknologi otonom seperti kendaraan tanpa pengemudi, robot mobile, dan sistem pengawasan cerdas. Penelitian ini melakukan tinjauan literatur sistematis menggunakan kerangka PRISMA 2020 untuk mengevaluasi arsitektur CNN, tantangan dataset, serta strategi implementasi pada sistem dengan keterbatasan komputasi. Dari 30 artikel yang diidentifikasi, hanya enam artikel primer berkualitas tinggi (2021–2025) yang memenuhi kriteria seleksi ketat dari berbagai basis data akademik. Hasil analisis menunjukkan bahwa arsitektur hybrid yang menggabungkan attention mechanism dan multi-scale feature pyramid networks memberikan performa terbaik, dengan model AttenRetina mencapai mAP 0.86 pada dataset KITTI. Tantangan utama dalam dataset meliputi deteksi objek kecil, latar belakang kompleks, oklusi parsial, serta variasi pencahayaan. Masalah ini diatasi melalui penggunaan dynamic loss functions dan teknik data augmentation. Untuk implementasi pada perangkat dengan sumber daya terbatas, arsitektur ringan seperti SSD MobileNetv2 dan YOLOv8-MobileNetV3 terbukti mampu memberikan keseimbangan optimal antara akurasi dan efisiensi. Secara keseluruhan, studi ini menawarkan panduan komprehensif bagi pengembang dalam memilih arsitektur, menyiapkan dataset, dan merancang strategi deployment sesuai kebutuhan aplikasi otonom.

Performance Evaluation of the DHT11 Sensor for MATLAB-Based Temperature and Humidity Measurements

Muhammad Chusni Marzuki — 2026-04-24

This study evaluates the performance of the DHT11 sensor in measuring temperature and humidity by comparing it with a conventional thermometer using a MATLAB-based statistical approach. The analysis includes descriptive statistics, error evaluation using Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE), linear regression modeling, and significance testing through ANOVA and the Durbin–Watson test. The results show that the DHT11 sensor provides consistent measurements (good precision) and exhibits a strong linear relationship with the reference instrument, as indicated by a high correlation coefficient (R = 0.944) and coefficient of determination (R² = 0.891). However, the sensor demonstrates a slight systematic bias, with temperature readings approximately 1–2 °C higher than those of the conventional thermometer. The obtained error values (MAE = 1 °C and MAPE ? 3.4%) indicate acceptable accuracy for general monitoring applications. Overall, the DHT11 sensor is a reliable, cost-effective, and practical solution for temperature and humidity monitoring. Nevertheless, calibration is recommended to improve measurement accuracy in applications requiring higher precision.

Segmentasi Spasio-Temporal Performa Penjualan Produk Sepatu Menggunakan Algoritma K-Means

Shindy Yuliyatini — 2026-04-24

Ketimpangan performa penjualan antarwilayah umumnya dianalisis melalui agregasi tahunan yang berpotensi menyembunyikan dinamika pasar. Penelitian ini bertujuan mengusulkan model segmentasi performa penjualan sepatu berbasis spatio-temporal menggunakan algoritma K-Means dengan unit analisis State × Quarter. Dataset diperoleh dari platform Kaggle (Adidas US Sales Dataset) periode 2020-2021 dan diagregasi dari 400 transaksi menjadi 181 observasi menggunakan variabel total sales, units sold, operating profit, dan operating margin. Metode meliputi preprocessing menggunakan IQR dan winsorizing, normalisasi Min-Max, serta clustering K-Means. Evaluasi dilakukan menggunakan Silhouette Score, Davies-Bouldin Index (DBI), Calinski-Harabasz Index (CHI), dan uji stabilitas Adjusted Rand Index (ARI) sebagai metode validasi tambahan untuk mengukur konsistensi hasil clustering. Hasil menunjukkan tiga cluster dengan distribusi 55,8% (rendah), 32,0% (menengah), dan 12,2% (tinggi). Nilai Silhouette Score sebesar 0,4263 menunjukkan pemisahan cluster moderat, sedangkan ARI sebesar 1,000 menunjukkan stabilitas sangat tinggi. Analisis spasio-temporal menunjukkan 52% state mengalami perubahan cluster antarkuartal. Temuan ini menunjukkan adanya dinamika performa wilayah yang tidak terdeteksi dalam agregasi tahunan. Kontribusi ilmiah penelitian ini adalah penerapan segmentasi spatio-temporal berbasis K-Means dengan evaluasi kualitas dan stabilitas cluster untuk mengidentifikasi dinamika performa distribusi wilayah secara lebih akurat.

Estimasi Tax Gap Indonesia: Analisis Diskrepansi PDRB Resmi Berdasarkan Nighttime Lights Berbasis Machine Learning

Fachri Husein Harahap — 2026-04-26

Penelitian ini mengusulkan metodologi baru untuk mengestimasi 'True PDRB' dan 'shadow economy' di tingkat provinsi Indonesia menggunakan latent variable framework [7]. Peneliti menggunakan PDRB riil sebagai variabel laten yang diestimasi dari dua pengukuran independen yang tidak sempurna: PDRB resmi BPS, yang dimodelkan memiliki error underreporting sistematis, dan PDRB-geospatial, yang diprediksi dari multi-source proxy data (NTL, NO?, informalitas, konsumsi) menggunakan model machine learning XGBoost. Untuk menghindari penalaran melingkar, model XGBoost dilatih pada target tertimbang adaptif yang menyesuaikan bobot PDRB resmi berdasarkan tingkat informalitas provinsi. Model menunjukkan daya prediksi kuat (R² = 0.8256) pada data uji temporal 2023. Estimasi GMM mengungkap shadow economy agregat nasional sebesar 6,76% dari PDRB resmi, dengan estimasi tax gap nasional Rp 16,17 triliun (7,03% dari potensi). Temuan menunjukkan heterogenitas ekstrem: provinsi berbasis agrikultur seperti Kalimantan Tengah (46,9%) dan Papua Barat (37,8%) memiliki persentase shadow economy tertinggi. Sebaliknya, tax gap nominal terbesar terkonsentrasi di provinsi dengan PDRB sangat besar, yaitu Papua (Rp 34,5 T) dan Jawa Timur (Rp 8,9 T). Temuan ini menghasilkan pemetaan tax gap yang dapat ditindaklanjuti bagi DJP untuk merumuskan strategi ekstensifikasi berbasis data.

Adoption Without Optimization: Text Mining and Business Intelligence Analysis on Culinary SME Digital Literacy

Rahma Dafitri — 2026-04-26

Digital transformation has become critical for culinary Micro, Small, and Medium Enterprises (MSME), yet most remain digitally underperforming despite platform adoption, a gap this study terms "adoption without optimization." This study employs a sequential exploratory mixed-methods design to examine underlying barriers. Phase 1 applied NVivo-assisted thematic coding and word frequency analysis to transcripts from 10 informants. Phase 2 administered a 78-item structured questionnaire measuring five TOE-derived barrier categories (financial, technical, human resource, regulatory, and market barriers) and digital platform usage frequency across six platform types to 39 respondents, analyzed using descriptive statistics, cross-tabulation, and Pearson correlation in SPSS. Phase 3 conducted VOSviewer keyword co-occurrence analysis of 87 Scopus documents. Results reveal financial barriers rank highest (M=3.46), followed by human resource (M=3.31) and market competition barriers (M=3.25). Digital literacy is predominantly low, with 48.7% scoring in the low category (mean=14.87/30). Thematic analysis identified three novel phenomena: digital financial literacy as a distinct barrier dimension, a recursive time-constraint cycle, and the adoption-without-optimization gap, confirmed by a 79.4-percentage-point difference between platform adoption (100%) and meaningful digital performance (20.6%). Digital literacy significantly correlates with sales improvement (r=0.432, p=0.006). A five-pillar digital adaptation framework is proposed for SME digitalization policy.

Sistem Analitik Umpan Balik YouTube Berbasis Big Data dan Generative AI

Asro Asro — 2026-04-26

Perkembangan media sosial menghasilkan data opini pengguna dalam jumlah besar dan tidak terstruktur, khususnya pada platform YouTube. Komentar pengguna mengandung informasi penting mengenai persepsi terhadap produk digital, namun analisis manual masih menjadi kendala. Penelitian ini bertujuan mengembangkan arsitektur sistem analitik umpan balik berbasis Big Data yang mengintegrasikan analisis sentimen dan Generative Artificial Intelligence (AI) dalam satu pipeline end-to-end. Sebanyak 10.625 komentar dikumpulkan melalui YouTube Data API dan disimpan dalam MongoDB. Proses analisis menggunakan kerangka CRISP-DM dengan preprocessing teks dan representasi fitur TF-IDF. Klasifikasi sentimen dibandingkan menggunakan Logistic Regression, Support Vector Machine (SVM), dan Random Forest, dengan pengujian SMOTE pada data latih. Hasil menunjukkan bahwa SVM tanpa SMOTE memberikan performa terbaik dengan akurasi 83,97% dan F1-macro 80,29%. Integrasi Generative AI memungkinkan peringkasan isu dominan serta penyusunan rekomendasi perbaikan secara otomatis. Sistem yang dikembangkan mendukung pengambilan keputusan berbasis data secara lebih efisien.

Analisis Sentimen Analisis Sentimen Ulasan Aplikasi Telemedicine di Indonesia Menggunakan XLM-RoBERTa dan Non-Negative Matrix Factorization untuk Mendukung Sustainable Development Goal 3

Asha Sembiring — 2026-04-26

Penelitian ini bertujuan menganalisis sentimen pengguna dan mengidentifikasi topik dominan dalam ulasan aplikasi telemedicine di Indonesia menggunakan XLM-RoBERTa dan Non-Negative Matrix Factorization (NMF). Telemedicine menjadi solusi penting untuk meningkatkan akses layanan kesehatan, terutama di wilayah terpencil, namun peningkatan penggunaannya belum selalu diiringi kualitas layanan yang konsisten. Data penelitian dikumpulkan dari ulasan pengguna pada aplikasi Halodoc, Alodokter, dan KlikDokter melalui Google Play Store. Analisis sentimen dilakukan untuk mengklasifikasikan ulasan menjadi positif, negatif, dan netral, sedangkan NMF digunakan untuk mengekstraksi topik utama. Hasil menunjukkan bahwa 70% ulasan bersentimen positif, menandakan mayoritas pengguna merasa puas terhadap layanan. Namun, ulasan negatif masih menyoroti permasalahan pada kecepatan respons dan kualitas konsultasi medis, terutama pada beberapa aplikasi. Pemodelan topik mengungkap bahwa aksesibilitas layanan, kualitas konsultasi, dan kecepatan respons merupakan faktor utama yang memengaruhi persepsi pengguna. Kebaruan penelitian ini terletak pada integrasi model transformer multibahasa dan analisis topik dalam konteks telemedicine di Indonesia. Temuan ini memberikan implikasi praktis bagi pengembang dan pemangku kebijakan dalam meningkatkan kualitas layanan kesehatan digital serta mendukung pencapaian SDG 3.

Multivariat Support Vector Regression untuk Peramalan Permintaan Suku Cadang Intermittent pada Industri Perkeretaapian

Syayid Al Afghoni — 2026-04-26

Manajemen persediaan suku cadang dalam industri perkeretaapian menghadapi tantangan kompleks akibat pola permintaan yang bersifat intermittent. Ketidakakuratan dalam meramalkan kebutuhan komponen perawatan sering kali berujung pada risiko stockout yang menghambat operasional atau overstock yang membebani biaya penyimpanan. Penelitian ini bertujuan untuk meningkatkan akurasi peramalan suku cadang dengan mengembangkan model Support Vector Regression (SVR) yang mengintegrasikan variabel eksogen berupa frekuensi jadwal perawatan dan klasifikasi umur armada. Menggunakan data historis pemakaian suku cadang perawatan kereta di workshop perawatan PT KAI periode 2020–2024, kinerja model SVR dievaluasi dan dibandingkan dengan metode Croston serta Random Forest. Hasil pengujian menunjukkan bahwa model SVR berbasis kernel RBF mampu menangani volatilitas data secara efektif dengan menghasilkan tingkat kesalahan terendah (MAE 8,424 dan MASE 0,449). Model ini terbukti superior dibandingkan metode Croston yang cenderung under-forecasting dan Random Forest yang kurang responsif terhadap nilai ekstrem. Temuan ini mengindikasikan bahwa integrasi informasi siklus perawatan dan profil usia armada secara signifikan memperbaiki kemampuan generalisasi model pada data yang fluktuatif. Secara manajerial, penerapan model ini memungkinkan perencanaan inventori yang lebih proaktif, mendukung optimalisasi safety stock, dan menjamin ketersediaan suku cadang untuk keandalan armada kereta api

Penerapan Data Mining untuk Prediksi Permintaan Obat Menggunakan Algoritma Regresi Linier

Hafiz Pramuji Almi — 2026-04-26

Perkembangan teknologi informasi yang pesat saat ini memberikan dampak signifikan di berbagai bidang, termasuk sektor kesehatan. Penelitian ini bertujuan untuk menerapkan konsep Data Mining dalam membangun sistem prediksi permintaan obat di Klinik Bidan Nuraini Simatupang agar pengelolaan persediaan menjadi lebih terencana dan efisien. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan analisis data historis persediaan dan permintaan obat. Sistem yang dikembangkan berbasis website menggunakan bahasa pemrograman PHP dan database MySQL, sehingga mampu menggantikan proses pencatatan manual dengan sistem terkomputerisasi yang lebih efektif dan akurat. Penerapan metode Regresi Linear digunakan untuk memprediksi permintaan obat (variabel Y) berdasarkan data ketersediaan stok (variabel X). Hasil pengujian menunjukkan bahwa sistem memiliki tingkat akurasi yang tinggi dengan nilai koefisien determinasi (R²) berkisar antara 93% hingga 97% pada beberapa jenis obat seperti Paracetamol, Amoxicillin, dan Vitamin C. Dengan adanya sistem ini, klinik dapat meminimalkan risiko kekurangan maupun kelebihan stok obat. Selain itu, sistem ini juga membantu pihak manajemen dalam mengambil keputusan strategis terkait perencanaan pengadaan obat di masa mendatang secara lebih tepat dan berbasis data.

Analisis Ulasan Sentimen pada Aplikasi Mobile BSB Menggunakan Algoritma Convolutional Neural Networks dan Support Vector Machine

Muhamamad Faza — 2026-04-26

Peningkatan jumlah ulasan yang diberikan pengguna pada platform digital seperti Google Play Store menghasilkan berbagai opini yang mencerminkan kepuasan maupun ketidakpuasan terhadap layanan aplikasi tersebut. Analisis sentimen diperlukan guna mengategorikan opini pengguna dalam ulasan dari data teks menjadi informasi penting. Penelitian ini menggunakan pendekatan metode Convolutional Neural Network (CNN) serta algoritma pendekatan Support Vector Machine (SVM) dalam rangka melakukan pengelompokan data sentimen pada ulasan aplikasi BSB Mobile. Tahapan proses penelitian mencakup tahapan pengumpulan data ulasan, pra-pemrosesan teks, pembentukan algoritma CNN beserta SVM, serta penilaian performa memanfaatkan parameter evaluasi, yaitu tingkat akurasi, presisi, recall, dan F1-Score. Merujuk pada temuan tersebut, dapat disimpulkan dari analisis bahwa arsitektur CNN menghasilkan tingkat akurasi yang menyentuh angka 80,10%, sedangkan model SVM mencapai akurasi 80,70%. Berdasarkan hasil evaluasi, model SVM sedikit lebih unggul dibandingkan dengan CNN dalam mengklasifikasikan ulasan sentimen. Temuan ini menunjukkan bahwa metode machine learning, khususnya SVM, dapat menjadi alternatif yang efektif dalam menganalisis opini pengguna terhadap aplikasi BSB Mobile.

Analisis Komparatif Arsitektur MobileNet untuk Klasifikasi Tipe Jerawat pada Citra Wajah

Sukma Syafika — 2026-04-28

Jerawat (acne vulgaris) adalah salah satu gangguan kulit wajah yang kerap dialami oleh banyak individu, serta dapat menimbulkan dampak fisik maupun psikologis bagi penderitanya. Proses identifikasi jenis jerawat secara manual memerlukan pengamatan visual yang teliti sehingga berpotensi menimbulkan kesalahan dalam proses diagnosis. Oleh sebab itu, diperlukan pengembangan sistem otomatis untuk mengidentifikasi dan mengklasifikasikan jenis jerawat secara lebih akurat. Penelitian ini dimaksudkan untuk membangun model klasifikasi jerawat berbasis citra menggunakan pendekatan Deep Learning dengan arsitektur MobileNet. Dataset yang digunakan berjumlah 3.500 citra jerawat yang terdiri dari lima kelas, yakni blackhead, whitehead, papules, pustules, dan cyst. Dataset dibagi menjadi data pelatihan, validasi, dan pengujian dengan perbandingan 80:10:10. Sebelum proses pelatihan model dilakukan, citra melalui tahap pre-processing yang meliputi image resizing, normalisasi citra, dan augmentasi data menggunakan pustaka OpenCV. Model dikembangkan menggunakan framework TensorFlow dan Keras. Penelitian ini membandingkan performa tiga arsitektur MobileNet, yaitu MobileNetV1, MobileNetV2, dan MobileNetV3. Hasil pengujian menunjukkan bahwa MobileNetV3 menghasilkan performa terbaik dengan akurasi sebesar 94,57%, precision 0,95, recall 0,95, dan F1-score 0,95. Penelitian ini berkontribusi dalam evaluasi komparatif arsitektur MobileNet untuk menentukan model ringan yang paling efektif dalam klasifikasi citra jerawat.

Spatial Modeling of Highly Dispersed Poverty Data in East Java Using the Geographically Weighted Negative Binomial Regression Method

Nova Putri Dwi Sugiarti — 2026-04-28

Poverty in East Java Province is a complex issue characterized by diverse regional characteristics. This study aims to model the number of poor inhabitants in East Java while accounting for overdispersion and spatial heterogeneity using the Geographically Weighted Negative Binomial Regression (GWNBR) method with four kernel weighting functions. The results indicate that the Negative Binomial regression model performs well at the global level, with an AIC of 941.01. However, to capture local variation in poverty drivers, the GWNBR model with an Adaptive Bisquare kernel proved optimal, yielding the lowest AIC of 309.32. These findings confirm the diversity of predictor variable influences across regencies and cities, as evidenced by the significance of variables in Blitar Regency. The GWNBR approach provides more accurate local parameter estimates than the global model, serving as a strategic tool for the government to design more targeted and effective poverty alleviation policies for each region.

Implementation of Time Series Forecasting for Inflation Prediction in Indonesia

Mustakim Mustakim — 2026-04-28

Inflation is a crucial macroeconomic indicator that reflects economic stability and influences sectors such as consumption, investment, and policy-making. This study aims to implement and compare three time series forecasting models: Seasonal Autoregressive Integrated Moving Average (SARIMA), Support Vector Regression (SVR), and Long Short-Term Memory (LSTM) to predict inflation in Indonesia. The study utilizes monthly inflation data from Bank Indonesia (2003–2024) and Consumer Price Index (CPI) data from Statistics Indonesia (2003–2019). Model performance is evaluated using Mean Absolute Error (MAE), Mean Squared Error (MSE), and Root Mean Squared Error (RMSE). The results indicate that SVR achieves the best performance in predicting inflation, with MAE of 1.53, MSE of 2.72, and RMSE of 1.64, demonstrating its effectiveness in capturing nonlinear patterns. Meanwhile, SARIMA provides the most accurate predictions for CPI, with MAE of 11.55, MSE of 191.76, and RMSE of 13.84. LSTM shows competitive performance but is less consistent compared to the other models. These findings highlight the importance of selecting appropriate models based on data characteristics to improve forecasting accuracy and support economic decision-making.

Klasifikasi Jenis Sayuran Berbasis Citra Menggunakan Convolutional Neural Network dengan Penyediaan Informasi Kandungan Nutrisi

Intan Idaman Halawa — 2026-04-28

Banyak jenis sayuran memiliki tampilan yang mirip dalam hal bentuk, warna, dan ukuran, sehingga sulit dibedakan secara manual karena membutuhkan waktu lama dan rentan terhadap kesalahan. Selain itu, rendahnya pengetahuan masyarakat tentang nutrisi sayuran yang sesuai dengan kondisi kesehatan pribadi menjadi tantangan tersendiri. Penelitian ini merancang model klasifikasi sayuran berbasis citra menggunakan deep learning dengan metode Convolutional Neural Network (CNN) berbasis TensorFlow yang diintegrasikan dengan penyediaan informasi kandungan nutrisi secara otomatis. Dataset mencakup 15 jenis sayuran umum: brokoli, capsicum, kacang, kembang kol, kentang, kubis, labu botol, labu pahit, lobak, mentimun, pepaya, terong, tomat, waluh, dan wortel, dengan total 21.000 citra yang dibagi menjadi data latih (training set 15.000 citra), data validasi (validation set 3.000 citra), dan data uji (test set 3.000 citra). Model CNN dengan arsitektur sequential 8 lapisan dilatih dengan variasi parameter masukan, epoch, dan metrik evaluasi. Model terbaik menunjukkan training accuracy 92,8%, validation accuracy 95,83%, dan testing accuracy 95,67%. Evaluasi menggunakan confusion matrix menghasilkan akurasi keseluruhan 96%, presisi tertinggi 99%, recall tertinggi 100%, dan F1-score tertinggi 100%. Model yang diusulkan berpotensi dimanfaatkan untuk pelacakan gizi, kontrol kualitas makanan, dan pengembangan produk pangan.

Comparative Sentiment Analysis of TheoTown Reviews on Steam and Google Play Store Using Support Vector Machine

Shanda Aura — 2026-04-28

The rapid expansion of the digital gaming industry has led to a substantial increase in player-generated textual reviews across major distribution platforms such as the Google Play Store and Steam. These reviews offer valuable insights into user experiences and perceived game quality; however, their large volume renders manual analysis inefficient. This study explores cross-platform sentiment patterns of TheoTown using a Support Vector Machine (SVM) classification approach. A dataset comprising 24,754 Google Play Store reviews and 1,452 Steam reviews, collected between January 2021 and December 2025, was processed using a structured pipeline that included text cleaning, normalization, tokenization, stopword removal, and stemming, followed by TF-IDF feature extraction. The findings indicate that a linear SVM model delivers consistently strong performance across both platforms, achieving F1 Scores exceeding 97%. Nevertheless, differences appear in probabilistic evaluation, where the Google Play Store dataset attains a higher AUC (0.8501) than Steam (0.6114). Both datasets are highly dominated by positive sentiment (above 94%), yet the Steam model fails to detect negative instances, highlighting the effects of severe class imbalance and limited data. These results emphasize that platform ecosystems influence both sentiment expression and model performance, underscoring the importance of cross-platform analysis.

Implementasi Model Klasifikasi Decision Tree untuk Evaluasi Kinerja Organisasi dan Dukungan Pengambilan Keputusan

Tamara Juliyanti — 2026-04-28

Pengelolaan data kinerja yang tidak terintegrasi menyebabkan informasi organisasi belum dimanfaatkan secara optimal dalam pengambilan keputusan strategis. Penelitian ini bertujuan mengembangkan model manajemen pengetahuan berbasis data dengan mengintegrasikan Model SECI dan algoritma Decision Tree pada PT PLN (Persero) UID Jawa Barat. Data kinerja operasional diolah melalui tahapan pembersihan data, seleksi atribut, dan transformasi data, kemudian dianalisis menggunakan algoritma C4.5 pada RapidMiner untuk menghasilkan model klasifikasi dan aturan keputusan. Hasil penelitian menunjukkan bahwa model yang diusulkan mampu mencapai akurasi sebesar 95,62% dengan standar deviasi ±6,18%. Selain itu, model menghasilkan aturan keputusan yang mudah diinterpretasikan serta mampu mengidentifikasi faktor dominan yang memengaruhi kinerja unit operasional. Aturan tersebut dipetakan ke dalam tahapan SECI untuk menghasilkan pengetahuan eksplisit yang terdokumentasi. Integrasi data mining dan manajemen pengetahuan memberikan pendekatan yang sistematis dalam mendukung evaluasi kinerja organisasi dan pengambilan keputusan berbasis data.

Perancangan Tata Kelola TI Laboratorium Internet of Things PNUP Menggunakan Kerangka COBIT 2019

Amhar Davi Dewantara — 2026-04-28

Laboratorium Internet of Things, Jurusan Teknik Informatika dan Komputer, Politeknik Negeri Ujung Pandang (Lab IoT PNUP) menjalankan fungsi ganda sebagai sarana praktikum mahasiswa sekaligus pusat riset dosen. Meskipun Standar Operasional Prosedur (SOP) institusional telah tersedia di tingkat jurusan, SOP tersebut belum diadopsi secara formal di tingkat operasional laboratorium, sehingga menimbulkan permasalahan berupa dokumentasi inventaris yang tidak memadai, pencatatan peminjaman perangkat yang tidak konsisten, serta kontrol akses yang lemah. Penelitian ini merancang sistem tata kelola TI untuk Lab Internet of Things (IoT) PNUP menggunakan kerangka kerja COBIT 2019, dengan mengikuti empat tahap Governance System Design Workflow. Sebelas design factor dianalisis menggunakan COBIT 2019 Design Toolkit untuk mengidentifikasi tujuh objektif tata kelola prioritas: EDM03, APO12, APO13, MEA03, DSS05, DSS04, dan DSS06. Pengukuran kapabilitas melalui kuesioner yang diisi oleh empat responden menunjukkan bahwa seluruh domain berada pada Capability Level 1, dengan kesenjangan +2 hingga +3 level terhadap target masing-masing. Mempertimbangkan skala Lab IoT PNUP sebagai organisasi kecil, diusulkan peta jalan perbaikan bertahap dalam tiga fase: jangka pendek (0–6 bulan) berfokus pada formalisasi proses, jangka menengah (6–18 bulan) memperkuat keamanan dan kepatuhan, serta jangka panjang (18–36 bulan) menginstitusionalisasikan tata kelola risiko, sebagai panduan aksi terstruktur peningkatan kematangan tata kelola TI Lab IoT PNUP.

Perbandingan Support Vector Machine dan Naïve Bayes untuk Klasifikasi Sentimen Ulasan E-Commerce

Dita Nurmadewi — 2026-05-01

Ulasan pelanggan di platform e-commerce memuat informasi penting tentang pengalaman pengguna terhadap produk dan layanan. Namun, mengingat jumlahnya sangat besar, analisis manual tidak efisien. Klasifikasi sentimen berbasis machine learning dapat secara otomatis mengidentifikasi opini dari teks ulasan. Penelitian ini ingin melakukan perbandingan antara performa Support Vector Machine (SVM) dan Naïve Bayes dalam melakukan klasifikasi sentimen pada ulasan di platform e-commerce. Dataset terdiri atas 11.606 ulasan pelanggan yang bersumber dari repositori dataset publik. Tahap pra-pemrosesan mencakup case folding, tokenization, penghilangan stopword, serta stemming. Fitur teks ditampilkan memakai Term Frequency–Inverse Document Frequency (TF-IDF). Kinerja model dievaluasi berdasarkan skema 5-fold cross-validation menggunakan metrik accuracy, precision, dan recall, serta F1-score. Hasil eksperimen menemukan algoritma Support Vector Machine mempunyai performa lebih unggul jika dibandingkan dengan Naïve Bayes, di mana perolehan nilai accuracy masing-masing mencapai 0.8717 dan 0.8555. Temuan ini sekaligus menunjukkan Support Vector Machine mempunyai kemampuan generalisasi yang lebih baik dalam membedakan kelas sentimen pada data ulasan e-commerce berbasis teks.

Evaluasi Komparatif Kinerja Algoritma Naïve Bayes dan Logistic Regression dalam Klasifikasi Sentimen Komentar YouTube Berbahasa Indonesia

Meisa Monica — 2026-05-01

Komentar pengguna pada platform YouTube merupakan sumber informasi yang dapat dimanfaatkan untuk memahami kecenderungan opini publik terhadap berbagai layanan digital. Namun, komentar tersebut umumnya berbentuk teks tidak terstruktur sehingga proses analisis secara manual menjadi kurang efektif ketika jumlah data sangat besar. Oleh karena itu, diperlukan pendekatan berbasis machine learning untuk mengolah serta mengklasifikasikan opini pengguna secara otomatis. Penelitian ini melakukan analisis sentimen terhadap komentar YouTube berbahasa Indonesia yang dikumpulkan menggunakan beberapa kata kunci terkait layanan digital. Data yang diperoleh kemudian diproses melalui tahapan pembersihan teks, normalisasi, serta pembentukan representasi fitur menggunakan metode TF-IDF. Untuk meningkatkan kualitas model klasifikasi, dilakukan optimasi parameter serta penyeimbangan distribusi data menggunakan teknik SMOTE. Hasil evaluasi berdasarkan metrik accuracy, precision, recall, dan F1-score menunjukkan bahwa model klasifikasi mampu menghasilkan performa yang baik dengan tingkat akurasi tertinggi mencapai 84,88%. Selain itu, distribusi hasil klasifikasi memperlihatkan bahwa kategori sentimen positif lebih dominan dibandingkan dengan kategori netral dan negatif pada data komentar yang dianalisis.

Konsep Lean Supply Chain dalam Meningkatkan Efisiensi Operasional

Rian Refanza Lumbantoruan — 2026-05-01

Penelitian ini dilatarbelakangi oleh permasalahan pengelolaan persediaan dan rantai pasok pada Toko Leni Love Hijab yang belum berjalan optimal, sehingga sering terjadi kelebihan stok pada beberapa produk dan kekurangan stok pada produk yang memiliki permintaan tinggi. Kondisi ini berdampak pada menurunnya efisiensi operasional serta pelayanan kepada pelanggan. Tujuan penelitian ini adalah untuk menganalisis penerapan konsep Lean Supply Chain dalam meningkatkan efisiensi operasional pada Toko Leni Love Hijab. Metode penelitian yang digunakan adalah metode kualitatif dengan teknik pengumpulan data melalui observasi, wawancara, dan studi dokumentasi. Penelitian ini juga melakukan analisis sistem serta perancangan sistem menggunakan pendekatan Supply Chain Management berbasis teknologi informasi dengan dukungan pemodelan sistem seperti UML dan perancangan basis data. Hasil penelitian menunjukkan bahwa penerapan konsep Lean Supply Chain dapat membantu mengidentifikasi aktivitas yang tidak memberikan nilai tambah, mengoptimalkan pengelolaan persediaan, mempercepat aliran informasi antara toko dan supplier, serta meminimalkan keterlambatan pengiriman produk. Kesimpulan dari penelitian ini adalah bahwa penerapan Lean Supply Chain mampu meningkatkan efisiensi operasional, memperbaiki manajemen stok, serta meningkatkan kualitas pelayanan kepada pelanggan pada Toko Leni Love Hijab

Development of a Portable Smart Feeder Based on Scheduling and Precision Dosing for Fish Feeding in Aquaculture

Arif Dwi Kuncoro — 2026-05-01

Freshwater and marine fish farming is the backbone of the fisheries economy, especially for small to medium-scale farmers. Feed contributes approximately 60–70% of operational costs, so inaccurate feed scheduling and dosing can increase production costs, reduce feed efficiency, and increase waste. This research developed a Portable Smart Feeder based on precision scheduling and dosing, equipped with gradual feeding (sub-doses with intervals) and a spreader for even feed distribution. Development was carried out using a prototype method, then the system performance was tested through experiments in two ponds for 14 days (one sorting cycle): Pond A (conventional) and Pond B (using the system). Evaluation included feed consumption, mortality, and growth measured through a sorting process (grading) on ??the 14th day. The results showed that Pond B produced 70.90 kg of harvested biomass with 28.00 kg of feed and 13 fish mortality, while Pond A produced 68.17 kg of biomass with 33.80 kg of feed and 250 fish mortality. The FCR value of Pond B is 0.91:1, better than Pond A 1.20:1, so the system shows increased feed efficiency and maintenance stability.

Development and Optimization of YOLOv12 for Autonomous Vehicle Navigation Systems

Dian Ramadhani — 2026-05-01

This study develops and enhances a YOLOv12-based object detection model for autonomous vehicle perception on Indonesian highways, addressing limitations of earlier research that lacked realistic traffic scenarios and field validation. The Roboflow dataset contains 29 object classes, including vehicles, pedestrians, and traffic signs, with existing annotations. Preprocessing included data quality assessment, image resizing, dataset split validation, annotation format conversion, and data augmentation to improve training performance. Eight training configurations were evaluated by varying learning rate, batch size, and optimizer. Initial comparisons showed YOLOv12 significantly outperformed SSD, achieving mAP50 of 0.978 and mAP50–95 of 0.831, compared to SSD’s 0.816 and 0.639. SGD consistently provided more stable and accurate performance than Adam. The best model used SGD with a learning rate of 0.001 and batch size of 16, achieving precision of 0.952, recall of 0.955, mAP50 of 0.974, and mAP50–95 of 0.834. Field testing confirmed strong detection of pedestrians and traffic signs, although challenges remained with small and overlapping objects. Future work should improve small-object detection, expand dataset diversity, and explore advanced architectures or hybrid optimization strategies. These findings support YOLOv12 as a reliable foundation for safer, more efficient self-driving perception systems tailored to Indonesia’s complex road environments in real conditions.

Intelligent Automation of Linux System Administration via the NeuroSysAI Autonomous Agent: Security and Cost-Efficiency Analysis

Auliya Ur Rahman Ash-Shidqi — 2026-05-01

Manual Linux system administration frequently suffers from operational inefficiencies and a high risk of human error. As IT infrastructure grows increasingly complex, traditional automation tools often lack the adaptability needed to handle dynamic troubleshooting. To address these limitations, this study introduces NeuroSysAI, an autonomous agent powered by Large Language Models (LLMs) specifically designed to automate server configuration, security management, and system monitoring in Ubuntu 22.04 LTS environments. Our approach implements a hybrid architecture that leverages the Mistral-Nemo API for complex reasoning alongside a local GPT-OSS model via Ollama to optimize operational costs. A primary contribution of this research is the integration of strict tool-use restrictions. This mechanism effectively mitigates the inherent risk of LLM hallucinations, ensuring that terminal command executions remain secure and controlled. Functional validation demonstrates that NeuroSysAI is highly reliable, achieving a 95.8% success rate in resolving administrative tasks with a robust system load capacity of 34 requests per second (RPS). Beyond technical performance, our threat modeling and cost evaluations confirm that this hybrid agent approach provides an optimal balance between infrastructure investment (CapEx) and operational efficiency (OpEx). Ultimately, NeuroSysAI offers system administrators a secure, adaptive, and economically viable solution for modernizing IT operations

Penerapan Squeeze-and-Excitation Attention pada DenseNet169 untuk Klasifikasi Multi-Kelas Citra X-Ray Dada

Lyra Zulyanda Daulay — 2026-05-08

Citra X-ray dada (CXR) ialah satu dari metode pencitraan medis yang banyak diterapkan guna mendeteksi banyak penyakit paru diantaranya COVID-19 serta pneumonia. Meskipun model deep learning yang basisnya Convolutional Neural Network (CNN) sudah banyak diterapkan untuk klasifikasi citra medis, model CNN konvensional masih memiliki keterbatasan dalam menyoroti fitur penting pada citra yang memiliki kompleksitas tinggi serta kemiripan pola antar kelas penyakit. Kondisi tersebut dapat menyebabkan model kesulitan dalam mengekstraksi fitur yang paling relevan untuk proses klasifikasi. Oleh sebab itu, penelitian mengusulkan penerapan attention mechanism berupa modul Squeeze-and-Excitation (SE) pada arsitektur DenseNet169 guna meningkatkan kemampuan model dalam menekankan fitur penting dari CXR. Kontribusi utama penelitian ini adalah menganalisis pengaruh mekanisme attention terhadap peningkatan kualitas ekstraksi fitur pada klasifikasi multi-kelas citra CXR. Dataset diterapkan pada penelitian ini terdiri dari 3.000 citra yang diklasifikasikan kedalam tiga kelas yakni Normal, COVID-19, serta Pneumonia dengan pembagian data sebesar 80% untuk pelatihan dan 20% untuk validasi. Pelatihan model menggunakan optimizer Adam. Evaluasi model menggunakan confusion matrix dengan accuracy, precision, recall, dan F1 score. Temuan eksperimen mengindikasi bahwasanya model DenseNet169 baseline memperoleh akurasi senilai 95,8%, sedangkan model DenseNet169 dengan modul SE mencapai akurasi 96,5%. Temuan ini menegaskan bahwa SE meningkatkan representasi fitur sehingga performa klasifikasi lebih optimal.