Jurnal Pendidikan dan Teknologi Indonesia

Analisis Tingkat Akurasi Metode Naive Bayes dan Random Forest dalam Prediksi Penjualan Emas

Muhammad Arfianto Pandu W — 2025-07-21

Penelitian ini bertujuan untuk menganalisis tingkat akurasi metode Naive Bayes dan Random Forest dalam prediksi penjualan emas, yang memainkan peran penting dalam perencanaan investasi dan strategi bisnis di sektor pertambangan, terutama dalam menghadapi volatilitas pasar yang tinggi. Metode penelitian yang digunakan adalah narrative literature review, yang berfokus pada perbandingan dan analisis teori-teori yang ada sebelumnya. Pendekatan ini memungkinkan peneliti untuk mengevaluasi, mengidentifikasi, dan menganalisis literatur yang relevan serta menyarikan temuan-temuan penting yang dapat memberikan wawasan lebih dalam tentang topik yang dikaji. Dalam konteks ini, Naive Bayes dan Random Forest digunakan untuk meramalkan fluktuasi harga emas dan perilaku pembelian produk, dengan fokus pada pengoptimalan strategi pemasaran. Hasil analisis menunjukkan bahwa Naive Bayes efektif dalam mengidentifikasi produk yang diminati dan memfasilitasi perencanaan pemasaran. Namun, Random Forest menunjukkan keunggulan dalam prediksi yang lebih kompleks, seperti perilaku repeat order pelanggan, berkat kemampuannya untuk menangani data variatif dan mengurangi risiko overfitting melalui pendekatan ensemble yang menggabungkan banyak pohon keputusan. Meskipun terdapat sedikit penurunan akurasi pada data pengujian, Random Forest tetap dapat menghasilkan prediksi yang akurat dan robust. Oleh karena itu, kedua metode ini memberikan kontribusi signifikan dalam merancang strategi bisnis dan keputusan investasi yang lebih akurat, dengan Random Forest lebih unggul dalam menghadapi data yang lebih kompleks. Kontribusi penelitian ini yakni memberikan landasan teoretis tentang penerapan algoritma pembelajaran mesin di sektor pemasaran berbasis data, serta menjadi panduan bagi praktisi dan peneliti dalam memilih metode prediktif yang tepat.

Evaluasi Kinerja Model LSTM Untuk Prediksi Risiko Penyakit Jantung Menggunakan Dataset

M. Alfi Saputra — 2025-07-21

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, termasuk di Indonesia. Deteksi dini terhadap risiko penyakit jantung menjadi krusial dalam menurunkan angka kematian dan meningkatkan kualitas hidup pasien. Penelitian ini bertujuan untuk mengevaluasi kinerja model Long Short-Term Memory (LSTM), sebagai bagian dari metode deep learning, dalam memprediksi risiko penyakit jantung dengan menggunakan data simulasi. Data terdiri dari 70.000 entri dengan 16 variabel yang mencerminkan kondisi klinis dan gaya hidup pasien. Proses penelitian meliputi tahapan preprocessing, pelatihan model LSTM, serta evaluasi menggunakan metrik seperti akurasi, presisi, recall, F1-score, dan AUC-ROC. Hasil evaluasi menunjukkan bahwa model LSTM mencapai akurasi sebesar 0,8034, presisi 0,8055, recall 0,8023, F1-score 0,8039, dan AUC-ROC 0,8036. Meskipun performa model cukup menjanjikan, masih terdapat kelemahan berupa jumlah false negative yang signifikan. Hal ini mengindikasikan perlunya pengembangan lebih lanjut, seperti penyesuaian ambang prediksi, teknik penyeimbangan kelas, dan eksplorasi model ensemble. Penelitian ini memberikan kontribusi konkret dalam penerapan model LSTM untuk sistem prediksi risiko penyakit jantung, dan diharapkan dapat memberikan kontribusi pada pengembangan sistem prediksi penyakit jantung berbasis kecerdasan buatan. Temuan ini juga berimplikasi pada penguatan pendekatan ilmiah dalam bidang ilmu kesehatan digital dan potensi penerapannya dalam praktik klinis secara lebih luas.

Optimasi Kueri pada Database Oracle Melalui Indeks dan Partisi Tabel untuk Data Besar

Bambang Sugiarto — 2025-07-21

Mengoptimalkan kinerja database sangat krusial di era dominasi data. Pertumbuhan data eksponensial, khususnya pada data Kredit Usaha Rakyat (KUR) sejumlah 227.587.131 baris di database Oracle yang digunakan dalam penelitian ini, menjadi tantangan utama. Eksekusi kueri SQL yang lambat menghambat efisiensi operasional. Penelitian ini menerapkan strategi optimasi kinerja database Oracle melalui teknik pengindeksan (indeks tunggal dan komposit) dan partisi tabel berdasarkan rentang (kolom tahun). Kedua teknik ini bertujuan mempercepat pengambilan data dan meningkatkan efisiensi akses pada tabel besar. Tujuan penelitian adalah mengoptimalkan eksekusi kueri SQL pada data KUR yang besar tersebut. Evaluasi dilakukan dengan membandingkan waktu respons kueri pada empat skenario tabel (tanpa indeks, indeks tunggal, indeks komposit, serta indeks komposit dengan partisi). Hasil evaluasi menunjukkan bahwa penerapan indeks (tunggal dan komposit) serta partisi tabel secara umum meningkatkan kinerja kueri seleksi dan join secara signifikan dibandingkan tanpa optimasi, dengan waktu tercepat dicapai pada tabel berpartisi dengan penyebutan partisi eksplisit (0,082 detik untuk seleksi sederhana). Namun, untuk kueri agregasi, tabel tanpa indeks memberikan waktu respons lebih cepat (58.100 detik) dibandingkan tabel dengan indeks tunggal (71.700 detik) ataupun kombinasi indeks komposit dan partisi.

Evaluasi Pengaruh Varian Daftar Stopword terhadap Kinerja Klasifikasi Teks Al-Qur'an dengan Support Vector Machine dan Backpropagation Neural Network

Afit Ajis Solihin — 2025-07-21

Latar belakang penelitian ini adalah tantangan dalam mengklasifikasikan teks Al-Qur'an, yang disebabkan oleh kompleksitas struktur bahasa Arab dan perbedaan antara bahasa Arab klasik dan modern. Penggunaan teknik Natural Language Processing (NLP), khususnya stopword removal, menjadi penting dalam meningkatkan akurasi klasifikasi teks. Namun, pengaruh penggunaan varian stopword terhadap performa model klasifikasi teks Al-Qur'an belum banyak dieksplorasi. Tujuannya adalah untuk mengevaluasi pengaruh penerapan varian daftar stopword yang berbeda terhadap kinerja dua algoritma klasifikasi teks, yaitu Support Vector Machine (SVM) dan Backpropagation Neural Network (BPNN), dalam mengklasifikasikan ayat-ayat Al-Qur'an. Penelitian ini juga bertujuan untuk menganalisis bagaimana teknik seleksi fitur Chi-Square dan representasi TF-IDF dapat mempengaruhi efektivitas model. Metode yang digunakan meliputi pengumpulan dataset ayat-ayat Al-Qur'an dalam Bahasa Indonesia yang melalui preprocessing seperti tokenisasi, normalisasi, dan penghapusan stopword menggunakan tiga varian stopword list: Sastrawi, NLTK, dan kombinasi keduanya. Model klasifikasi diterapkan dengan algoritma SVM dan BPNN, serta dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM memberikan performa yang lebih baik dan konsisten dibandingkan BPNN. Penggunaan stopword NLTK memberikan hasil terbaik dengan akurasi tertinggi sebesar 0,5849 dan F1-score 0,5438 pada SVM. BPNN menunjukkan hasil yang kurang optimal dengan akurasi tertinggi hanya 0,4292 dan F1-score yang lebih rendah dari 0,3 pada semua varian stopword. Kontribusi penelitian ini adalah menegaskan pentingnya pemilihan daftar stopword yang tepat untuk meningkatkan kinerja klasifikasi teks Al-Qur'an serta memberikan wawasan berharga dalam pengembangan sistem klasifikasi teks keagamaan yang lebih akurat menggunakan algoritma pembelajaran mesin.

Analisis Validitas dan Reliabilitas Kuesioner dengan Metode Partial Least Squares Structural Equation Modeling pada Aplikasi SMARTPLS

Sri Yarsasi — 2025-07-21

Validitas dan reliabilitas instrumen merupakan aspek krusial dalam penelitian kuantitatif, karena kualitas pengukuran yang rendah dapat menghasilkan data yang tidak akurat dan mengarah pada kesimpulan yang menyesatkan. Penelitian ini bertujuan untuk mengevaluasi kualitas pengukuran instrumen kuesioner menggunakan pendekatan Partial Least Squares Structural Equation Modeling (PLS-SEM) dengan bantuan perangkat lunak SmartPLS. Metode ini dipilih karena mampu menangani model yang kompleks dan data yang tidak memenuhi asumsi normalitas. Hasil analisis menunjukkan bahwa sebagian besar indikator memiliki nilai outer loading di atas 0,70, nilai Composite Reliability (CR) berada dalam rentang 0,817 hingga 0,914, dan nilai Average Variance Extracted (AVE) melebihi 0,50, yang menunjukkan bahwa instrumen memiliki konsistensi internal dan validitas konvergen yang baik. Namun demikian, terdapat dua indikator dengan nilai outer loading di bawah ambang batas, yaitu X3.2 sebesar 0,612 dan Y2.4 sebesar 0,588, yang perlu dievaluasi ulang. Temuan ini menegaskan bahwa pendekatan PLS-SEM efektif untuk memvalidasi instrumen, terutama dalam penelitian dengan sampel terbatas dan desain eksploratori. Studi ini memberikan kontribusi metodologis terhadap pengembangan instrumen penelitian yang lebih akurat dan adaptif, serta menunjukkan urgensi penggunaan pendekatan statistik modern dalam evaluasi instrumen di berbagai bidang keilmuan.

Analisis Serangan Social Engineering melalui Pretexting, Impersonating, dan Phishing pada Pemain Game Mobile Online

Kelvin Indra Richardo — 2025-07-21

Penelitian ini menganalisis metode serangan rekayasa sosial (social engineering) yang terjadi dalam konteks permainan mobile online, khususnya pada PUBG Mobile dan Mobile Legends. Studi ini bertujuan untuk mengidentifikasi metode serangan seperti pretexting, impersonation, dan phishing, serta faktor-faktor yang mempengaruhi keberhasilannya. Penelitian dilakukan menggunakan metode kuantitatif, melibatkan simulasi serangan melalui platform media sosial, komunitas game, dan komunikasi dalam game. Hasil penelitian menunjukkan bahwa dari 124 responden yang menjadi target serangan, 88 akun berhasil ditembus. Faktor keberhasilan mencakup tekanan sosial, keterbatasan waktu bermain, rendahnya kesadaran pengguna terhadap risiko keamanan, dan daya manipulasi teknik social engineering. Sebaliknya, aktivasi fitur keamanan seperti autentikasi dua faktor (2FA) menjadi hambatan utama bagi keberhasilan serangan. Hasil dari penelitian ini memberikan strategis untuk meningkatkan kesadaran dan perlindungan pengguna, termasuk edukasi keamanan digital, peningkatan fitur keamanan pada platform game, dan kolaborasi dengan komunitas game. Dengan implementasi langkah-langkah ini, risiko serangan social engineering dapat diminimalkan secara signifikan, menciptakan lingkungan game yang lebih aman bagi pemain.

Peramalan Jumlah Pengunjung Wisata Edukasi Museum Menggunakan Kombinasi Moving Average Dan Model Prophet

Lifa Lifa — 2025-07-21

Peramalan jumlah pengunjung wisata edukasi museum berperan penting dalam pengelolaan operasional dan strategi berbasis data. Peramalan berfungsi untuk memperkirakan kebutuhan di masa depan, baik dalam hal kuantitas, kualitas, maupun waktu, sehingga pengelolaan sumber daya dapat lebih optimal. Penelitian sebelumnya menerapkan model Prophet untuk peramalan jumlah pengunjung objek wisata. Namun Prophet kurang efektif dalam menghadapi fluktuasi data yang tinggi, terutama saat terjadi perubahan tren secara tiba-tiba. Untuk mengatasi hal tersebut, penelitian ini mengkombinasikan Moving Average (MA) sebagai teknik preprocessing smoothing, sehingga hasil peramalan Prophet lebih stabil dan akurat. Penelitian ini bertujuan untuk membangun model peramalan dengan mengkombinasikan metode Moving Average dan model Prophet. Model ini dievaluasi menggunakan metrik MAE, MSE, RMSE, dan MAPE untuk mengukur tingkat keakuratan hasil peramalan. Data yang digunakan berasal dari jumlah pengunjung Museum Muhammadiyah pada periode 2023–2024. Tahapan penelitian meliputi cleaning data, transformasi log, smoothing dengan Moving Average, serta penerapan Prophet dengan parameter trend, seasonality, dan holidays. Model terbaik diperoleh pada dataset pengunjung personal harian dengan MAE 0.15, MSE 0.02, RMSE 0.15, MAPE 5.58% dengan hasil peramalan tertinggi tanggal 12 Januari 2025 sebesar 2.79 pengunjung dan terendah tanggal 8 Mei 2025 sebesar 1.31 pengunjung. pada dataset pengunjung grup per bulan, hasil peramalan tertinggi bulan Januari sebesar 3398 pengunjung dan terendah bulan Mei sebesar 1171 pengunjung, MAPE sebesar 29,10%. Hasil menunjukkan bahwa Model Prophet mampu meramalkan jumlah pengunjung Museum Muhammadiyah dan Moving Average mampu meningkatkan performa Prophet. Penelitian ini bermanfaat bagi pengelola museum dalam merencanakan strategi promosi, penjadwalan kegiatan, sehingga dapat meningkatkan kualitas layanan.

Optimasi Aturan Asosiasi Transaksi Penjualan Obat Menggunakan Kombinasi Apriori dan Algoritma Genetika

Rifal Febiyan — 2025-07-21

Analisis pola transaksi dalam penjualan obat sangat penting untuk mengoptimalkan manajemen stok di apotek. Salah satu metode yang umum digunakan dalam data mining adalah algoritma Apriori, yang mampu menemukan aturan pola asosiasi antara item dalam transaksi. Penelitian sebelumnya menerapkan Association Rule Mining pada data transaksi penjualan untuk mengoptimalkan tata letak produk dan meningkatkan penjualan di minimarket. Selain itu, metode ini juga diterapkan dalam Market Basket Analysis (MBA) untuk menganalisis keterkaitan antar produk guna meningkatkan strategi bisnis ritel. Keluaran dari Apriori mudah dipahami dan dapat mengidentifikasi banyak pola baru. Namun, banyaknya aturan asosiasi yang dihasilkan memungkinkan munculnya aturan yang lemah dan interpretasi menjadi sulit. Hal ini karena Apriori memiliki keterbatasan dalam menghasilkan sejumlah besar aturan asosiasi yang dapat mengurangi efisiensi kejelasan hasil. Untuk mengatasi keterbatasan tersebut, peneliti mengusulkan kombinasi algoritma Apriori dan algoritma Genetika (GA) untuk menghasilkan aturan asosiasi yang lebih relevan dan optimal. Penelitian ini fokus pada hasil penerapan Apriori dalam menentukan keterhubungan pola antar itemset, serta menganalisis pengaruh algoritma Genetika dalam optimasi association rules dari Apriori. Penelitian dilakukan melalui tahapan pengumpulan data transaksi, preprocessing, penerapan Apriori, dan optimasi aturan menggunakan GA. Seleksi GA memakai metode roulette wheel, dengan teknik one-point crossover dan mutasi. Berdasarkan rata-rata matriks sepuluh kali percobaan kombinasi Apriori dan GA mendapatkan nilai support 0.137309, confidence 3.369825 dan lift ratio 61.49805. Hasil percobaan menunjukkan bahwa Apriori menghasilkan aturan asosiasi dan pengaruh GA mampu menyeleksi aturan asosiasi yang lebih relevan dan kuat serta mengurangi jumlah aturan yang dihasilkan Apriori, sehingga meningkatkan efektivitas analisis manajemen stok dan strategi pemasaran.

Pengembangan Aplikasi First Person Shooter (Fps) Sebagai Simulasi Latihan Tembak Berbasis Virtual Reality

Purnama Anaking — 2025-07-21

Pelatihan menembak merupakan bagian penting dalam pengembangan keterampilan personel militer. Namun, penggunaan senjata asli dalam latihan memiliki risiko yang tinggi dan biaya operasional yang besar. Teknologi Virtual Reality (VR) menawarkan alternatif berupa simulasi pelatihan yang aman, efisien, dan imersif. Penelitian ini bertujuan mengembangkan aplikasi simulasi latihan tembak menggunakan pendekatan First Person Shooter (FPS) berbasis VR. Metode pengembangan yang digunakan adalah Multimedia Development Life Cycle (MDLC), yang meliputi enam tahap: concept, design, material collecting, assembly, testing, dan distribution. Aplikasi yang dibangun menyediakan tiga level kesulitan (easy, normal, hard) dan diuji menggunakan metode black-box dengan partisipasi atlet tembak dan pengguna gamer. Hasil pengujian menunjukkan bahwa aplikasi mampu menstimulasikan pengalaman latihan menembak secara realistis dan responsif. Penelitian ini berkontribusi dalam menyediakan alternatif pelatihan menembak yang adaptif dan berbiaya rendah, serta memiliki potensi untuk diterapkan dalam pelatihan militer atau olahraga tembak.

Implementasi Metode ViSQOL Dalam Mengidentifikasi Noise pada Kualitas Suara Streaming Spotify

Jimmi Setiawan Matangkin — 2025-07-21

Kualitas suara pada layanan streaming Spotify seringkali tidak konsisten akibat gangguan noise dan variasi parameter jaringan, yang berdampak pada pengalaman pengguna (QoE). Penelitian ini bertujuan mengevaluasi kualitas suara Spotify menggunakan algoritma ViSQOL dengan menganalisis pengaruh noise dari pink noise, background noise, compression noise dan impulse noise, serta network noise yang ditentukan lewat parameter jaringan yaitu throughput, delay, packet loss dan jitter. Metode kuantitatif diterapkan dengan merekam 800 sampel audio menggunakan Audacity, kemudian dianalisis melalui ViSQOL di MATLAB untuk menghasilkan nilai MOS, SNR, dan Spectral Distortion, sementara parameter jaringan dipantau menggunakan Wireshark. Hasil menunjukkan pink noise 50% menurunkan MOS hingga 61-65%, impulse noise berdampak paling buruk pada MOS di angka 15-17%, dan background noise relatif dapat ditoleransi dengan nilai MOS yaitu 61-65%. Delay berpengaruh lebih signifikan terhadap QoE dibanding packet loss, dengan MOS mencapai 3.78 pada delay 62.15 ms. Temuan ini memberikan wawasan bagi pengembang layanan streaming untuk mengoptimalkan mitigasi noise dan manajemen jaringan, serta menjadi referensi bagi penelitian terkait evaluasi kualitas audio berbasis persepsi pengguna.

Evaluasi Kinerja Model Random Forest Dalam Memprediksi Diabetes Berdasarkan Dataset Kesehatan di Indonesia

Erliyan Redy Susanto — 2025-07-21

Penyakit diabetes atau sering disebut dengan penyakit gula darah adalah sekelompok penyakit metabolik yang ditandai dengan tingginya kadar gula darah pada seseorang yang terkena, dan bertahan dalam jangka waktu lama. Di Indonesia sedikitnya terdapat 20 juta orang pada usia 20-79 tahun menderita diabetes pada tahun 2024. Hal ini disebabkan oleh kurangnya akses terhadap alat prediksi yang efektif, serta keterbatasan pada pendekatan tradisional bergantung pada diagnosis medis manual yang memakan waktu dan biaya. Permasalahan ini muncul karena kurangnya pemanfaatan teknologi berbasis data dalam menganalisis faktor risiko yang kompleks dan saling terkait. Penelitian ini bertujuan menggunakan model random forest untuk melakukan klasifikasi terhadap penyakit diabetes serta mengevaluasi nilai akurasi dengan evaluasi model menggunakan metrik seperti akurasi, presisi, recall, dan F1-score. Teknik akurasi yang digunakan yaitu confusion matrix untuk mengukur performa dalam permasalahan sehingga menghasilkan nilai akurasi yang sesuai. Hasil penelitian ini dapat memberikan wawasan praktis tentang konfigurasi optimal model untuk aplikasi dunia nyata, sehingga meningkatkan akurasi dan keandalan sistem prediksi diabetes. Model diuji menggunakan data uji yang telah dipisahkan sebelumnya dengan rasio 80:20. Hasil evaluasi kinerja model menunjukkan akurasi sebesar 0.99%, presisi 0.99%, recall 0.99%, F1-score 0.99%, Specificity 0.99% dan ROC-AUC Score 89.2%. Hasil penelitian bermanfaat untuk membantu dokter dan tenaga kesehatan serta masyarkat umum untuk mendeteksi penyakit diabetes sejak dini.

Evaluasi Layanan Aplikasi Mobile Tangkar Menggunakan Pendekatan Human Centered Design dan System Usability Scale

Faisal Shidiq — 2025-07-21

Dinas Komunikasi dan Informatika Kabupaten Karawang mengelola sebuah Aplikasi mobile Tangkar. Namun umpan balik pengguna mengindikasikan kesulitan dalam penggunaan Aplikasi mobile Tangkar. Penelitian ini, dengan mengutamakan kebutuhan pengguna melalui pendekatan Human Centered Design. Selanjutnya, dievaluasi menggunakan System Usability Scale. Rangkaian penelitian dimulai dengan understanding and specifying the context of use, mengidentifikasi user requirements, menghasilkan solusi design solution, dan melakukan evaluating the design. Proses evaluasi ini secara khusus dilakukan pada fase specifying the user requirements dengan melibatkan 40 responden yang diolah menggunakan google colab menghasilkan skor 46,06 yang masuk ke dalam kategori Not Acceptable pada tingkat accaptablility, dengan grade F dan tingkat adjective rating masuk ke dalam tingkat poor. Berdasarkan evaluasi didapatkan 9 poin permasalahan yang dirasakan oleh pengguna Aplikasi mobile Tangkar untuk dilakukan sebuah perbaikan. Mengacu pada daftar masalah yang teridentifikasi, peneliti mengimplementasikan perbaikan design antarmuka pengguna selama fase producing design solution. Desain solusi dikembangkan melalui siklus pengulangan yang teratur, yang memungkinkan penyesuaian berkelanjutan agar sesuai dengan kebutuhan pengguna. Penelitian ini menghasilkan prototype sebagai produk akhir yang kemudian diuji ulang oleh responden yang sebelumnya telah memberikan evaluasi. Skor yang didapatkan pada evaluasi akhir ini sebesar 70,62 yang tergolong dalam kategori Acceptable pada tingkat penerimaan, dengan perolehan nilai grade C dan tingkat penilaian deskriptif yang berada dalam kategori good. Analisis lebih lanjut menggunakan hierarchical clustering dengan Ward linkage mengonfirmasi perubahan signifikan dalam pengelompokan pengguna setelah perbaikan (ARI -0.039), mengindikasikan dampak positif perbaikan terhadap persepsi kegunaan meskipun area peningkatan lebih lanjut masih diperlukan. Penelitian ini menegaskan efektivitas pendekatan Human-Centered Design dalam meningkatkan kegunaan aplikasi mobile pemerintahan dan memberikan implikasi praktis untuk pengembangannya.

Sentimen Analisis Media Sosial Terhadap Isu Pagar Laut Dengan Algoritma Support Vector Machine dan Logistic Regression

Nanda Perdana — 2025-07-21

Penelitian ini mencakup analisis sentimen pada media sosial terkait isu pagar laut menggunakan algoritma Logistic Regression (LR) dan Support Vector Machine (SVM). Data diperoleh dari media sosial Twitter, Instagram, Facebook, dan Tiktok yang dilakukan pra pemrosesan dan labelling menggunakan VADER. Hasil dari tiga rasio yang digunakan menunjukkan rasio 0,7 atau 7:3 adalah yang terbaik, dengan akurasi SVM 0.985382 dan akurasi LR 0.988881. Secara keseluruhan kedua algoritma memberikan hasil yang sama baiknya dan seimbang melihat dari evaluasi precision, recall, dan F1-score. Penelitian ini diharapkan dapat memberikan gambaran rangkuman opini publik terhadap isu pagar laut pada media sosial.

Analisis Sentimen Pengguna Twitter terhadap Konten Edukasi Dokter Detektif dengan Metode Pohon Keputusan

Iyeti Astri Prasasti — 2025-07-21

Media sosial, khususnya Twitter, telah berkembang menjadi sarana yang efektif untuk menyampaikan konten edukasi kesehatan secara luas dan interaktif. Salah satu akun yang aktif dalam menyebarkan informasi kesehatan berbasis sains adalah Dokter Detektif, yang menyajikan konten dermatologi dengan pendekatan komunikatif. Penelitian ini bertujuan untuk menganalisis sentimen pengguna Twitter terhadap konten edukasi yang disampaikan oleh akun tersebut. Metode yang digunakan adalah klasifikasi sentimen dengan algoritma Decision Tree dan dibandingkan dengan Naive Bayes. Data diperoleh melalui web scraping, lalu diproses melalui tahapan cleansing, tokenisasi, normalisasi, dan penghapusan stopword menggunakan Sastrawi. Sentimen diklasifikasikan menjadi positif dan negatif, dengan penanganan ketidakseimbangan data menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Hasil penelitian menunjukkan bahwa Decision Tree menghasilkan akurasi sebesar 84% dan menunjukkan performa yang lebih stabil dibandingkan Naive Bayes berdasarkan evaluasi precision, recall, f1-score, dan confusion matrix. Temuan ini menunjukkan bahwa Decision Tree lebih efektif dalam menganalisis sentimen teks terkait konten edukatif di media sosial, khususnya dalam domain kesehatan.

System Smart Parking Berbasis Mikrokontroler ESP32 dan RFID Untuk Otomatisasi Akses Parkir di PT. Glory Industrial Semarang

Victor Gallant Smart — 2025-07-21

Perkembangan teknologi, khususnya Radio Frequency Identification (RFID), telah memberikan kontribusi signifikan dalam mendukung otomatisasi berbagai sistem, termasuk sistem parkir. PT Glory Industrial Semarang menghadapi permasalahan dalam pengelolaan lahan parkir, di mana proses pengecekan kendaraan masih dilakukan secara manual oleh petugas keamanan, sehingga menghambat efisiensi operasional harian. Penelitian ini bertujuan untuk mengembangkan sistem smart parking berbasis mikrokontroler ESP32 dan RFID guna meningkatkan efisiensi waktu dan ketertiban akses kendaraan. Metode yang digunakan adalah metode prototype, dengan serangkaian tahapan mulai dari perancangan hingga pengujian sistem secara langsung. Pengujian dilakukan sebanyak 20 kali simulasi akses masuk dan keluar kendaraan dengan hasil akurasi pembacaan RFID mencapai 100% dan respon sistem yang cepat dalam mengontrol palang pintu otomatis. Hasil implementasi menunjukkan bahwa sistem mampu mengurangi waktu antrean dan meningkatkan keamanan area parkir. Penelitian ini berkontribusi pada pengembangan sistem parkir otomatis berbasis IoT yang lebih efisien, aman, dan dapat diterapkan di lingkungan industri sejenis.

Analisis Akurasi Deteksi Objek Menggunakan TensorFlow dengan Metode Single Shot Detection untuk Pengenalan Karakter Animasi dalam Film Battle of Surabaya

Engel Bertus Triesa Wea — 2025-07-21

Pendeteksian karakter dalam film animasi secara otomatis masih menghadapi tantangan signifikan, seperti kompleksitas latar belakang, variasi pencahayaan, dan perbedaan pose karakter, yang dapat menurunkan akurasi sistem. Penelitian ini bertujuan untuk meningkatkan akurasi pendeteksian karakter animasi dengan menerapkan metode Single Shot Detection (SSD) menggunakan TensorFlow. Studi kasus difokuskan pada karakter dalam film animasi Battle of Surabaya. Metode SSD dipilih karena kemampuannya dalam melakukan deteksi objek secara cepat dan efisien dalam satu tahap pemrosesan. Dataset yang digunakan terdiri dari 30 gambar karakter Musa, Yumna, dan Danu dalam berbagai pose dan kondisi visual. Proses pelatihan model dilakukan menggunakan pendekatan transfer learning dan augmentasi data untuk meningkatkan keragaman data latih serta mengurangi risiko overfitting. Hasil pengujian menunjukkan bahwa model mencapai akurasi rata-rata sebesar 99% pada dataset uji, dengan performa yang tetap stabil meskipun terdapat variasi latar belakang dan pencahayaan. Analisis lebih lanjut juga dilakukan terhadap faktor-faktor yang memengaruhi kinerja model. Penelitian ini berkontribusi dalam pengembangan sistem deteksi karakter animasi yang akurat dan efisien, dengan potensi penerapan dalam industri animasi, sistem pengawasan visual, aplikasi edukatif interaktif, dan pengembangan teknologi computer vision. Selain itu, sistem ini dapat mendukung identifikasi karakter secara otomatis untuk tujuan perlindungan hak cipta visual pada media digital.

Evaluasi Penerimaan Fitur Chatgpt Berdasarkan Motivasi Intrinsik dengan Pendekatan Tam

Putu Anggi Suryantari — 2025-07-21

Penelitian ini bertujuan untuk mengevaluasi penerimaan fitur ChatGPT di kalangan mahasiswa Fakultas Ilmu Komputer, dengan menggunakan Technology Acceptance Model (TAM) yang dimodifikasi. Fokus penelitian ini adalah untuk mengidentifikasi pengaruh motivasi intrinsik dan persepsi kegunaan terhadap niat perilaku mahasiswa dalam mengadopsi teknologi ChatGPT sebagai alat bantu pembelajaran. Metode yang digunakan dalam penelitian ini adalah kuantitatif dengan pengumpulan data melalui kuesioner yang disebarkan kepada 356 responden mahasiswa yang aktif menggunakan fitur ChatGPT dalam aktivitas akademik mereka. Analisis data dilakukan menggunakan Structural Equation Modeling (SEM-PLS) dengan software SmartPLS 4. Hasil penelitian menunjukkan bahwa motivasi intrinsik memiliki pengaruh positif yang signifikan terhadap persepsi kemudahan penggunaan dan persepsi kegunaan. Persepsi kegunaan terbukti memediasi hubungan antara motivasi intrinsik dan niat perilaku untuk menggunakan ChatGPT. Selain itu, persepsi kemudahan penggunaan berpengaruh positif terhadap persepsi kegunaan dan niat perilaku, meskipun tidak memiliki pengaruh langsung terhadap niat perilaku. Penelitian ini memberikan kontribusi penting dalam pemahaman faktor-faktor yang mempengaruhi penerimaan teknologi ChatGPT, dengan menekankan pada pentingnya motivasi intrinsik dan persepsi kegunaan dalam mendukung adopsi teknologi ini di lingkungan pendidikan tinggi. Rekomendasi yang dihasilkan dari penelitian ini diharapkan dapat membantu pengembang dan institusi pendidikan dalam merancang fitur-fitur ChatGPT yang lebih efektif dan mudah diakses oleh mahasiswa.

Optimasi Random Forest untuk Prediksi Penyakit Jantung Menggunakan SMOTEENN dan Grid Search

Erliyan Redy Susanto — 2025-07-21

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, dengan sekitar 17,9 juta kematian setiap tahun. Diagnosis dini dan akurat sangat penting untuk pengobatan yang efektif, namun ketidakseimbangan kelas dalam dataset medis sering menyebabkan bias pada model prediktif, khususnya dalam mengidentifikasi pasien dengan penyakit jantung (kelas minoritas). Studi ini bertujuan untuk mengoptimalkan kinerja algoritma Random Forest dalam memprediksi penyakit jantung dengan mengatasi ketidakseimbangan data menggunakan teknik SMOTEENN (Synthetic Minority Over-sampling Technique combined with Edited Nearest Neighbors) serta penyetelan hiperparameter melalui GridSearchCV. Dataset dibagi menjadi data pelatihan (80%) dan pengujian (20%), dengan evaluasi kinerja menggunakan metrik akurasi, presisi, recall, spesifisitas, F1-score, dan AUC ROC. Hasil penelitian menunjukkan bahwa model yang dioptimalkan mencapai akurasi sebesar 94%, presisi 87%, recall 100%, spesifisitas 91%, F1-score 93%, dan AUC sebesar 0,99. Teknik SMOTEENN terbukti efektif dalam meningkatkan representasi kelas minoritas tanpa menimbulkan noise yang signifikan, sementara GridSearchCV berhasil menemukan kombinasi hiperparameter terbaik untuk meningkatkan performa model. Model Random Forest yang dihasilkan menunjukkan potensi tinggi sebagai alat bantu diagnosis dini penyakit jantung, yang dapat berkontribusi dalam menurunkan angka kematian dan meningkatkan efisiensi biaya perawatan.

Analisis Serangan Social Engineering melalui Pretexting, Impersonating, dan Phishing pada Pemain Game Mobile Online

Januponsa Dio Firizqi — 2025-07-21

Rancang Bangun Sistem Informasi Berbasis Web untuk Pendataan Hasil Susu Sapi di Usaha Dagang Pramono Boyolali

Sifra Sasta Verdananti — 2025-07-21

Kemajuan dalam teknologi informasi telah membawa pengaruh yang besar di banyak bidang, termasuk industri peternakan dan distribusi. Di UD. Pramono, sebuah usaha dagang yang bergerak dalam produksi dan distribusi susu sapi, proses pendataan masih dilakukan secara manual, yang tidak efisien, rentan kesalahan, serta memperlambat pengawasan dan pengambilan keputusan. Masalah ini juga membuka peluang manipulasi dan kesalahan perhitungan. Untuk menyelesaikan masalah tersebut, penelitian ini memberikan solusi melalui sebuah sistem informasi yang menggunakan platform web, dibangun untuk mengotomatiskan proses pengumpulan data susu sapi. Sistem dikembangkan menggunakan teknologi web dan framework pengembangan berbasis web, serta menggunakan MySQL sebagai basis data. Metode waterfall digunakan sebagai pendekatan linier dan sistematis dalam pengembangan sistem. Pengujian dilakukan menggunakan metode Black Box Testing dan System Usability Scale (SUS). Hasil pengujian Black Box mengindikasikan bahwa semua fitur sistem beroperasi seperti yang diharapkan tanpa adanya kesalahan yang terdeteksi.. Sementara itu, pengujian SUS menghasilkan skor 80,67 (grade B), yang menunjukkan sistem mudah digunakan dan diterima pengguna. Penelitian ini tidak hanya memberikan solusi praktis untuk meningkatkan efisiensi operasional di UD. Pramono, tetapi juga berkontribusi terhadap pengembangan ilmu pengetahuan di bidang sistem informasi, khususnya dalam penerapan teknologi digital untuk digitalisasi proses bisnis skala kecil dan menengah di sektor peternakan. Oleh karena itu, sistem informasi ini dianggap mampu mempermudah pengelolaan data susu sapi di UD. Pramono.

Desain dan Simulasi Elemen Hingga pada Soket Prostesis Transtibial Berbasis 3D Printing Selama Siklus Gaya Berjalan

Yazid Surya Wicaksana — 2025-07-21

Soket prostesis berperan penting dalam meningkatkan rehabilitas mobilitas pasien pasca amputasi demi mengembalikan pola gaya berjalan mendekati normal. Proses pembuatan soket prostesis memerlukan waktu dan biaya tinggi yang berdampak pada terbatasnya produksi. Teknologi 3D printing menawarkan solusi untuk meningkatkan efisiensi produksi. Namun, saat ini ketersediaan soket prostesis hasil 3D printing masih terbatas, dan penelitian mengenai performa mekanisnya terhadap siklus gaya berjalan belum banyak dilakukan. Dengan demikian, tujuan dari penelitian ini adalah untuk mengevaluasi dan menggambarkan performa material Polyethylene Terephthalate (PET), dan Acrylonitrile Butadiene Styrene (ABS) pada soket prostesis yang produksi melalui 3D printing. Penelitian ini menggunakan pendekatan metode elemen hingga dengan kondisi pembebanan yang mensimulasikan siklus gaya berjalan. Hasil penelitian mengidentifikasi fase heel-strike sebagai kondisi paling kritis selama siklus gaya berjalan dengan distribusi tegangan terpusat pada bagian posterior-distal soket. Material PET unggul dalam ketahanan lebih tinggi dengan faktor keamanan 1,393 dan tegangan von-Mises maksimum 37,65 MPa. Sedangkan, ABS memberikan kemampuan menahan deformasi lebih baik, dengan total deformasi 5,296 mm dan efektivitas biaya lebih rendah. Penelitian ini berkontribusi dalam pengembangan soket prostesis yang dipersonalisasi secara efisien dan aman melalui pendekatan simulasi struktural berbasis numerik, serta menawarkan rekomendasi pemilihan material yang optimal terhadap performa dan fungsionalitas soket prostesis hasil 3D printing.

Desain Aplikasi SobatIkan Berbasis Android Menggunakan Metode Double Diamond

Faradhiya Aulia Rahma — 2025-07-21

Penelitian ini bertujuan merancang antarmuka pengguna (UI) dan pengalaman pengguna (UX) untuk aplikasi SobatIkan berbasis Android guna menjawab permasalahan yang dihadapi dalam sektor perikanan budidaya yaitu proses pendaftaran penyuluhan dan pengumpulan laporan produksi secara manual, sistem penjualan yang masih konvensional, terbatasnya layanan pengantaran, kesulitan memperoleh pakan berkualitas, serta penanganan penyakit ikan. Metode yang digunakan adalah Double Diamond yang terdiri dari empat tahapan yaitu Discover, Define, Develop, dan Deliver. Data dikumpulkan melalui observasi, wawancara, dan studi literatur, yang kemudian dianalisis untuk menentukan kebutuhan. Hasil akhir berupa prototipe aplikasi diuji melalui usability testing dengan pendekatan System Usability Scale (SUS). Hasil pengujian menunjukkan desain aplikasi memiliki nilai effectiveness sebesar 90%, efficiency 81,8%, dan satisfaction dengan skor SUS 88,5 yang dikategorikan “Excellent”. Hasil ini menunjukkan bahwa rancangan UI/UX aplikasi SobatIkan mampu memberikan solusi digital yang efektif, efisien, dan memuaskan dalam mendukung digitalisasi sektor perikanan budidaya. Penelitian ini memberikan kontribusi dalam pengembangan desain aplikasi perikanan budidaya berbasis pendekatan partisipatif dan berorientasi pengguna.

Implementasi Algoritma Shortest Job First Untuk Optimalisasi Sistem Antrean Pelayanan Administrasi Kependudukan Desa

Galuh Raka Mahendra — 2025-07-21

Perkembangan teknologi informasi mendorong peningkatan kualitas layanan publik, termasuk dalam pengelolaan sistem antrean pada pelayanan administrasi kependudukan, khususnya di tingkat desa. Sistem antrean yang masih berjalan secara manual sering menghadapi permasalahan seperti ketidakpastian waktu tunggu dan kesalahan dalam pengolahan data. Penelitian ini mengembangkan sistem antrean berbasis web dengan menerapkan algoritma Shortest Job First (SJF) untuk menentukan urutan pemrosesan pengajuan surat berdasarkan estimasi waktu pengerjaan. Untuk menjaga keadilan antrean, diterapkan mekanisme aging agar permohonan yang telah menunggu lama memperoleh prioritas lebih tinggi. Pengembangan sistem dilakukan dengan pendekatan Agile yang mendukung penyesuaian kebutuhan pengguna secara fleksibel dan memungkinkan proses pengembangan berkelanjutan melalui enam tahap: Requirement, Design, Development, Testing, Deployment, dan Review. Pengujian dilakukan menggunakan Black-box testing untuk fungsionalitas sistem dan System Usability Scale (SUS) untuk menilai kemudahan penggunaan. Hasil pengujian Black-box testing menunjukkan bahwa seluruh fitur berfungsi dengan baik untuk tiga kategori pengguna: penduduk, administrator, dan kepala desa. Pengujian SUS menghasilkan skor 78,25, yang termasuk kategori Good dan Acceptable. Hasil tersebut menunjukkan bahwa metode dan algoritma yang digunakan berkontribusi terhadap pengembangan sistem antrean pelayanan administrasi kependudukan yang lebih efisien dan adaptif.

Rancang Bangun Sistem Monitoring Inkubator Telur Otomatis Berbasis Iot Menggunakan Sensor Dht22 Dan Mikrokontroler Esp-32

Usman Puji Rahayu — 2025-07-21

Peternakan merupakan salah satu sektor utama penyedia pangan setelah pertanian, salah satunya melalui usaha peternakan bebek. Untuk meningkatkan produksi, peternak umumnya melakukan perkembangbiakan dengan metode penetasan buatan menggunakan alat penetas telur. Alat ini memiliki peran penting dalam menghasilkan anakan bebek berkualitas. Faktor-faktor seperti suhu, kelembaban, dan rotasi telur harus dikendalikan dengan baik agar proses penetasan berlangsung optimal, sehingga diperlukan pemantauan dan pengawasan kondisi inkubator secara berkala. Penerapan teknologi Internet of Things (IoT) dalam bidang peternakan menjadi solusi untuk melakukan pemantauan kondisi inkubator secara otomatis dan real-time. Teknologi ini membantu peternak dalam memonitor suhu, kelembaban, dan kondisi telur di dalam ruang penetasan secara efisien. Penelitian ini mengusung judul "Sistem Monitoring Suhu dan Kondisi Inkubator Telur Menggunakan Sensor DHT22 dan ESP-32 CAM" yang bertujuan untuk memudahkan peternak dalam melakukan pemantauan ruang penetasan. Berdasarkan hasil pengujian, sistem yang dikembangkan mampu melakukan monitoring suhu, kelembaban, dan kondisi telur secara otomatis dan real-time, serta mengendalikan pemutaran telur secara otomatis guna meningkatkan tingkat keberhasilan penetasan.