MALCOM: Indonesian Journal of Machine Learning and Computer Science

Prediksi Harga Saham Telkom Menggunakan Prophet: Analisis Pengaruh Sentimen Publik Terhadap Kehadiran Starlink

Hendra Taofiqurrohman — 2025-03-12

Fluktuasi harga saham menjadi tantangan signifikan bagi investor dan perusahaan karena dipengaruhi oleh berbagai faktor, termasuk sentimen publik di media sosial. Sebagian besar model prediksi tradisional hanya mengandalkan data historis sehingga kurang mampu menangkap dinamika eksternal yang memengaruhi harga saham. Penelitian ini bertujuan untuk memprediksi harga saham PT Telkom Indonesia Tbk (TLKM) dengan mengintegrasikan sentimen publik terkait kehadiran Starlink sebagai variabel eksternal pada model Prophet. Data sentimen diperoleh dari Twitter dengan algoritma Valence Aware Dictionary and Sentiment Reasoner (VADER), sementara data harga saham diambil dari Yahoo Finance untuk periode Mei hingga Oktober 2024. Hasil penelitian menunjukkan bahwa integrasi sentimen publik meningkatkan akurasi prediksi, dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 2,927%, Mean Squared Error (MSE) sebesar 12102.43, dan Root Mean Square Error (RMSE) sebesar 110.01. Sentimen positif, seperti pada 27 Oktober 2024 dengan compound score 0.5106, menghasilkan prediksi sebesar 3030.75 dibandingkan harga aktual 2910.0. Sebaliknya, sentimen negatif pada 20 September 2024 dengan compound score sebesar -0.3613 menurunkan prediksi menjadi 3137.48 dibandingkan harga aktual 3150.0. Penelitian ini memberikan wawasan tambahan tentang dampak opini publik terhadap harga saham dan merekomendasikan perluasan sumber data, integrasi variabel eksternal yang lain, serta penggunaan metode deep learning untuk meningkatkan akurasi prediksi di masa depan.

Penerapan Algoritma Convolutional Neural Networks untuk Pengenalan Tulisan Tangan Aksara Jawa

Lutfi Abdiansah — 2025-03-12

Aksara Jawa adalah sistem tulisan tradisional yang dulunya banyak digunakan di Jawa Timur dan Jawa Tengah, terdiri dari 20 huruf utama serta beberapa atribut tambahan. Namun, penggunaannya dalam kehidupan sehari-hari semakin berkurang. Penelitian ini bertujuan mengembangkan sistem pengenalan aksara Jawa menggunakan Convolutional Neural Network (CNN) sebagai upaya pelestarian. Dataset yang digunakan mencakup 1000 citra tulisan tangan aksara Jawa, dengan 700 citra untuk pelatihan dan 300 citra untuk validasi. Proses penelitian meliputi pengumpulan data, preprocessing, pembangunan arsitektur CNN, dan evaluasi model. Arsitektur CNN dirancang untuk menangkap fitur utama aksara, termasuk membedakan huruf yang memiliki kemiripan visual. Hasil evaluasi menunjukkan performa yang baik, dengan akurasi mencapai 99,83% pada pengenalan aksara yang diinputkan, serta grafik akurasi dan loss yang konsisten antara data pelatihan dan validasi. Temuan ini menunjukkan bahwa CNN memiliki potensi besar dalam pengenalan aksara Jawa, meskipun optimasi lebih lanjut tetap diperlukan untuk meningkatkan akurasi dan efisiensi sistem guna mendukung penerapannya secara lebih luas.

Agriculture Biomass for Sustainable Electricity Supply Systems: A Dynamic System Approach

Arief Sandi Destianto — 2025-03-12

East Java has great potential in utilizing agricultural waste as a source of biomass energy to support the transition to New Renewable Energy (NRE). However, the development of biomass power plants faces challenges such as investment feasibility evaluation and biomass potential measurement. The East Java Government has set sustainable energy targets through Governor Regulations. This study developed a dynamic system-based simulation model to analyze factors influencing the utilization of agricultural waste as biomass energy. Verification results using Vensim PLE software show the model is valid with an error rate of E1 < 5% and E2 < 30%. In the Do-Nothing scenario, the electricity deficit could worsen in the future without increasing power plant capacity, especially from renewable energy. Conversely, the biomass power plant infrastructure development scenario shows that by 2024, the electricity deficit can be reduced from -7,599.47 GWh to -2,722.98 GWh. This trend continues in subsequent years, with the biomass scenario consistently decreasing the deficit and even generating a surplus in some years. Therefore, developing biomass-based power plants is a strategic step to reduce dependence on fossil fuels and enhance regional energy security in East Java.

Inovasi Monitoring Pendaki Menggunakan Internet of Things untuk Membantu Keselamatan dan Ketertiban Digunung

Rahmat Perjalanan — 2025-03-12

Penelitian ini bertujuan untuk mengembangkan inovasi dalam sistem monitoring pendaki guna meningkatkan keselamatan dan ketertiban aktivitas pendakian gunung. Sistem yang dirancang menggabungkan teknologi Global Positioning System (GPS) dan gelombang radio. Penelitian dilakukan dalam dua tahap: pertama, pengujian perangkat dilakukan di area perkotaan untuk menguji fungsionalitas dasar. Kedua, perangkat diuji langsung di jalur pendakian gunung melalui tiga kali percobaan. Tantangan utama dalam pengembangan perangkat ini meliputi: keberlanjutan sinyal GPS di daerah pegunungan, pemilihan komponen yang bagus dan tahan terhadap lingkungan ekstrem, serta desain alat yang portabel dan mudah dibawa oleh pendaki. Hasil pengujian lapangan menunjukkan bahwa perangkat GPS dapat mendeteksi posisi pendaki hingga jarak maksimum 5,9 kilometer, meskipun tingkat akurasinya bervariasi. Hambatan seperti tebing tinggi, hujan deras, awan mendung, dan angin kencang memengaruhi konsistensi sinyal GPS. Namun demikian, penelitian ini berhasil menemukan pendekatan baru untuk memonitor pendaki, sekaligus memberikan kontribusi signifikan terhadap peningkatan kualitas layanan sistem pendakian gunung.

Penerapan Algoritma Klasifikasi pada Machine Learning untuk Deteksi Phishing

Rizky Fauzan — 2025-03-12

Phishing merupakan salah satu bentuk kejahatan siber yang bertujuan mencuri informasi sensitif melalui metode penipuan, seperti situs web palsu yang menyerupai halaman resmi. Maka diperlukan sistem deteksi yang lebih akurat dan efisien untuk mengidentifikasi ancaman ini. Penelitian ini bertujuan untuk menganalisis penerapan algoritma klasifikasi dalam machine learning guna mendeteksi URL phishing. Algoritma yang digunakan dalam penelitian ini adalah Naïve Bayes, Random Forest, dan Decision Tree, yang diterapkan pada dataset yang dikumpulkan dari berbagai sumber. Dataset ini dianalisis menggunakan fitur berbasis Term Frequency - Inverse Document Frequency (TF-IDF) serta fitur numerik, seperti panjang URL, jumlah angka, karakter khusus, dan keberadaan kata kunci yang sering ditemukan dalam situs phishing. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score untuk mengukur efektivitas sistem deteksi yang dikembangkan. Hasil eksperimen menunjukkan bahwa model Random Forest memiliki performa terbaik dengan akurasi mencapai 97,2%, diikuti oleh Decision Tree (96,3%), sementara Naïve Bayes memiliki akurasi lebih rendah (85,3%). Model Random Forest juga memiliki keseimbangan yang baik antara precision dan recall, sehingga lebih andal dalam mendeteksi URL phishing. Penggunaan algoritma Machine Learning terbukti dapat meningkatkan efektivitas deteksi phishing secara signifikan.

Implementasi Aplikasi untuk Pemantauan Kelembaban Tanah Pada Teknologi Irigasi Tetes Tanaman Jagung

Irfan Yusuf — 2025-03-12

Tujuan dari penelitian ini adalah merancang aplikasi berbasis website pada irigasi tetes yang digunakan untuk monitoring kelembaban tanah pada sistem irigasi tetes pada tanaman jagung. Jagung, sebagai komoditas penting di Indonesia, memiliki peran signifikan dalam perekonomian, namun produktivitasnya sering terkendala oleh pengelolaan air yang tidak optimal. Tantangan utama yang dihadapi petani adalah kurangnya sistem irigasi yang efisien serta ketidakmampuan memantau kelembaban tanah secara real-time, terutama dalam kondisi perubahan iklim yang mempengaruhi ketersediaan air. Website ini dikembangkan untuk memungkinkan petani melakukan pemantauan kelembaban tanah secara langsung dengan bantuan sensor yang terhubung ke internet. Manfaat dari aplikasi ini adalah untuk meningkatkan efisiensi penggunaan air pada sistem irigasi tetes, mengurangi limbah air, dan membantu petani membuat keputusan pengelolaan air yang lebih baik. Dengan aplikasi ini produktivitas tanaman jagung meningkat, biaya operasional menurun, dan praktik pertanian yang berkelanjutan dapat didukung.

Penerapan Algoritma Naive Bayes dengan Teknik TF-IDF dan Cross Validation untuk Analisis Sentimen Terhadap Starlink

Suci Khoerunnisa — 2025-03-21

Starlink, layanan internet satelit dari SpaceX, mulai beroperasidi Indonesia pada 2024 untuk mengatasi kesenjangan digital di wilayah terpencil. Namun, kehadirannya menimbulkan tantangan seperti harga tinggi, potensi dampak terhadap penyedia lokal, dan masalah regulasi. Penelitian ini mengkaji sentimen publik terhadap Starlink menggunakan algoritma Naïve Bayes yang dikombinasikan dengan teknik TF-IDF dan Cross Validation yang masih jarang diterapkan dalam studi serupa di Indonesia. Data yang digunakan berupa cuitan berbahasa Indonesia dari pengguna platform X selama Mei-November 2024. Hasil analisis menunjukkan bahwa model Naïve Bayes memiliki kinerja optimal dalam mendeteksi sentimen positif dibandingkan negatif maupun netral, sebagaimana diukur menggunakan confusion matrix. Temuan utama menunjukkan bahwa Naïve Bayes 49,38% cuitan bersentimen positif, 32,94% netral, dan 17,68% negatif. Sentimen positif didominasi oleh apresiasi terhadap kecepatan dan stabilitas layanan, sedangkan sentimen negatif mengkritik harga tinggi dan dampaknya terhadap penyedia lokal. Meskipun model menunjukkan performa baik pada sentimen positif, akurasi klasifikasi sentimen negatif dan netral masih perlu ditingkatkan. Hasil penelitian ini memberikan wawasan strategis bagi pengembangan bisnis Starlink serta dasar pertimbangan bagi pemerintah terkait layanan internet berbasis satelit di Indonesia.

Impact of Cover Parameter Value on Rule Generation in Rough Set Classification

Farhatul Fityah — 2025-03-21

Machine learning plays a crucial role in healthcare classification, with Rough Set Theory (RST) offering effective tools for managing data uncertainty. Within RST, the RSES2 tool supports algorithms like LEM2 and Covering, yet the influence of cover parameter values on rule generalization and specificity remains underexplored. This study investigates these effects using the Differentiated Thyroid Cancer dataset. The research investigates the trade-offs between rule generalization and specificity by adjusting cover parameter settings, which dictate the minimum and maximum cases a rule must cover. The comparison reveals that the LEM2 algorithm maintains high accuracy across various cover parameter values, with only a slight decline as the parameter increases, and shows improved coverage with higher cover values. In contrast, the Covering algorithm displays greater fluctuations in accuracy, peaking at lower cover parameter values and decreasing significantly as the parameter rises. Coverage for the Covering algorithm is highest at lower cover parameters but decreases sharply at higher values. This indicates that LEM2 is more robust in maintaining accuracy and coverage, while the Covering algorithm performs better at lower cover parameters but struggles with stability as the parameter increases.

Pemanfaatan Machine Learning dalam Menganalisis Sentimen Terhadap Program TAPERA di Platform Digital X

Aziz Musthafa — 2025-03-21

Tabungan Perumahan Rakyat (TAPERA) adalah program pemerintah Indonesia yang bertujuan mengatasi masalah perumahan bagi masyarakat berpenghasilan rendah dan menengah, namun mendapat beragam respons akibat perubahan kebijakan. Tujuan Penelitian ini menganalisis sentimen pengguna media sosial X terhadap kebijakan TAPERA, untuk mengidentifikasi apakah sentimen yang dominan adalah positif, negatif, atau netral. Metode yang dimanfaatkan untuk menganilisis sentimen yaitu Crisp-DM dengan memanfaatkan model Support Vector Machine (SVM) dan Random Forest yang merupakan algoritma dari Machine Learning. Data dikumpulkan dari Platform Digital X dengan total 2.936 komentar, dan proses pelabelannya divalidasi oleh ahli Ilmu Komunikasi guna memastikan akurasi serta menghindari kesalahan. Hasil evaluasi menggunakan confusion matrix dari Model SVM menunjukkan keunggulan dengan akurasi 88%, dibandingkan dengan Random Forest yang memiliki akurasi 86%. Sedangkan hasil klasifikasi model, masyarakat lebih cenderung memberikan respons negatif terhadap perubahan kebijakan program TAPERA yaitu 1.874 komentar (63,9%). Dominasi sentimen negatif ini mencerminkan ketidakpuasan masyarakat terhadap program TAPERA secara umum. Sentimen positif sejumlah 527 komentar (18%), menunjukkan apresiasi terhadap inisiatif pemerintah masih terbatas. Serta Sentimen netral sejumlah 534 komentar (18,1%), menunjukkan kebutuhan informasi untuk meningkatkan pemahaman masyarakat. Penelitian ini diharapkan dapat menjadi pendukung rekomendasi untuk perbaikan pengelolaan TAPERA yang lebih baik, terutama dalam aspek layanan, transparansi, dan komunikasi.

A Simulation of Student Study Group Formation Design Using K-Means Clustering

Yudistira Ardi Nugraha Setyawan Putra — 2025-03-21

This research focuses on developing a simulation model for forming student study groups using an enhanced K-Means algorithm, addressing the challenge of optimizing group dynamics to improve learning outcomes. By analyzing the effectiveness of the formed study groups through RMSE (Root Mean Square Error) after dimensionality reduction with various regression models—including Linear Regression, Ridge Regression, Lasso Regression, Elastic Net, Random Forest Regressor, Gradient Boosting Regressor, and XGBoost Regressor—we aim to provide educators with a robust tool for assessing group configurations. The study identifies four distinct clusters, revealing that "Previous_Score" and "Attendance" are critical variables, achieving a highest Silhouette Score of 0.64 with five selected features. The ridge regression model also yielded a low RMSE of 0.045, explaining 72.39% of the variance in "Exam_Score." The findings suggest that targeted interventions tailored to each cluster—yellow, purple, blue, and green—can enhance academic outcomes by addressing specific student needs. This data-driven approach optimizes group dynamics and fosters a more inclusive learning environment, enhancing academic performance and cultivating essential social skills. The study underscores the potential of machine learning techniques in education and suggests avenues for future research into alternative clustering methods and their long-term impact on student engagement and success.

Analisis Kinerja Convolutional Neural Networks Baseline untuk Identifikasi Jenis Jenis Penyakit Kentang

Khoir Prasetyo — 2025-03-21

Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model Convolutional Neural Network (CNN) baseline dalam mengidentifikasi jenis-jenis penyakit pada daun kentang. Dataset yang digunakan terdiri dari citra daun kentang yang terinfeksi dan sehat, yang diklasifikasikan ke dalam beberapa kategori penyakit seperti late blight, early blight, dan penyakit bakteri. Model CNN dirancang dengan arsitektur dasar yang meliputi beberapa lapisan konvolusi, pooling, dan fully connected, serta dilatih menggunakan Optimizer Adam dengan fungsi loss categorical cross-entropy. Hasil evaluasi menunjukkan bahwa model mencapai akurasi 82% pada validation set dan rata-rata 95% pada data acak. Meskipun model menunjukkan performa yang baik dalam mengklasifikasikan citra, indikasi overfitting terlihat dari perbedaan antara akurasi training dan validation. Analisis lebih lanjut mengidentifikasi kesalahan prediksi yang terjadi, terutama pada kelas dengan gejala visual yang mirip. Penelitian ini merekomendasikan penerapan teknik regulasi, augmentasi data, dan penggunaan arsitektur lebih kompleks untuk meningkatkan akurasi model. Hasil penelitian ini diharapkan dapat memberikan kontribusi bagi pengembangan sistem deteksi penyakit tanaman berbasis kecerdasan buatan yang lebih efisien.

Implementasi Algoritma Machine Learning untuk Klasifikasi Suara Lingkungan

Ari Wibowo — 2025-03-21

Suara lingkungan memiliki peran signifikan dalam menentukan kualitas hidup manusia dan keseimbangan ekosistem. Dengan meningkatnya urbanisasi dan perubahan iklim, pemantauan suara lingkungan menjadi krusial. Penelitian ini mengimplementasikan algoritma Machine Learning untuk mengklasifikasikan suara lingkungan menggunakan dataset ESC-50. Fitur-fitur seperti Mel-Frequency Cepstral Coefficients (MFCCs) dan Chroma digunakan untuk ekstraksi ciri. Setelah pra-pemrosesan data, dilakukan pemodelan dengan berbagai algoritma, termasuk KNeighbors Classifier, Random Forest Classifier, dan Extra Tree Classifier, yang kemudian dipilih untuk tuning hyperparameter. Dengan parameter optimal, dilakukan training pada model terpilih dan diuji pada dataset uji. Hasil menunjukkan KNeighbors Classifier memiliki akurasi tertinggi sebesar 63%. Studi ini memberikan kontribusi pada pengembangan teknologi pemantauan suara lingkungan dan membuka prospek penerapan dalam manajemen kota yang lebih efisien. Studi lanjutan disarankan untuk eksplorasi fitur-fitur suara yang lebih spesifik, penggunaan teknik deep learning, dan penggunaan dataset yang lebih luas untuk solusi yang lebih canggih dalam pemahaman dan manajemen suara lingkungan secara global.

Sistem Pendeteksi Ketinggian Air dan Perhitungan Volume pada Bak Nutrisi Vertikal Hidroponik Menggunakan Sensor Sr04t

Roban Saryoga — 2025-03-21

Hidroponik vertikal merupakan metode budidaya tanaman yang efisien dalam penggunaan ruang, dengan memanfaatkan struktur bertingkat untuk menanam tanaman. Dalam sistem ini, pentingnya nutrisi dan ketersediaan air menjadi faktor kunci dalam menjaga pertumbuhan optimal tanaman. Masalah yang sering muncul adalah ketidakstabilan ketinggian air di bak nutrisi, yang dapat menyebabkan distribusi nutrisi yang tidak merata. Untuk mengatasi masalah ini, penelitian ini mengusulkan penggunaan sensor ultrasonik SR04T untuk mengukur ketinggian air dengan akurasi yang lebih baik. Solusinya melibatkan pemantauan secara real-time dan perhitungan volume air berdasarkan interpolasi linear dari kedalaman yang diukur oleh sensor. Hasil pengujian menunjukkan bahwa sistem yang dikembangkan dapat secara efektif mendeteksi perubahan ketinggian air dan menghitung volume air secara akurat, dengan hasil pengujian menunjukkan penurunan volume air seiring waktu. Sistem ini dapat membantu petani hidroponik dalam memantau ketersediaan air nutrisi secara efisien, memastikan pertumbuhan tanaman yang optimal dalam lingkungan hidroponik vertikal hasil pengujian ini, tingkat keberhasilan mencapai 100% sesuai dengan aturan yang telah ditetapkan, yaitu buzzer hanya menyala ketika kedalaman air turun di bawah batas tertentu.