JUMANJI (Jurnal Masyarakat Informatika Unjani)
Not a member yet
81 research outputs found
Sort by
Penerapan Metode SMOTE Dalam Klasifikasi Sentimen Publik Terhadap Polisi Republik Indonesia Menggunakan Support Vector Machine
No full textAnalisis sentimen atau ekstraksi opini adalah penelitian yang mengevaluasi sudut pandang, pemikiran, serta persepsi mengenai berbagai topik, subjek, dan produk dengan memanfaatkan data opini yang tersedia pada platform media sosial.. Platform media sosial populer seperti YouTube, khususnya melalui saluran "86 & Custom Protection NET" yang bekerjasama dengan Kepolisian Negara Republik Indonesia, menyajikan aktivitas polisi dan mendapat respons dari masyarakat dalam bentuk komentar. Komentar-komentar ini menjadi sumber data dalam penelitian text mining untuk mengklasifikasikan sentimen positif atau negatif. Penelitian ini menggunakan pendekatan menggunakan machine learning dengan metode Support Vector Machine (SVM) dan teknik SMOTE untuk menangani ketidakseimbangan data dalam komentar youtube. Hasil analisis menunjukkan akurasi sebesar 91%, dengan presisi 63%, recall 68%, dan f1 score 65% berdasarkan perhitungan confusion matrix.Sentiment analysis or opinion extraction is a research method that evaluates perspectives, thoughts, and perceptions on various topics, subjects, and products by utilizing opinion data available on social media platforms. Popular social media platforms such as YouTube, particularly through the channel "86 & Custom Protection NET" in collaboration with the Indonesian National Police, present police activities and receive responses from the public in the form of comments. These comments serve as data sources in text mining research to classify positive or negative sentiments. This study employs a machine learning approach using the Support Vector Machine (SVM) method and the SMOTE technique to address data imbalance in YouTube comments. The analysis results show an accuracy of 91%, with precision of 63%, recall of 68%, and an F1 score of 65% based on the confusion matrix calculation
PENGELOMPOKAN TINGKAT RISIKO PENYAKIT DIABETES MELITUS MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING
Full text linkPenelitian ini fokus pada diabetes melitus (DM), kondisi metabolik kronis dengan tingkat gula darah tinggi karena kurangnya insulin. Faktor penyebab DM bervariasi, termasuk kurangnya produksi insulin oleh sel beta Langerhans di pankreas dan ketidakresponsifan tubuh terhadap insulin. Penyakit ini prevalen di negara berkembang dan diperkirakan terus meningkat. Studi ini menggunakan algoritma K-Means Clustering untuk mengelompokkan risiko DM. Evaluasi pada k = 2 menunjukkan data dalam klaster cenderung bercampur, dengan nilai Silhouette Coefficient 0.5716 dan Davies Bouldin Index 0.672. Visualisasi scatter menunjukkan penyebaran data yang seragam dalam klaster, memberikan pemahaman mendalam tentang pola data. Hasilnya dapat mendukung pemahaman dan penanganan lebih lanjut terhadap DM.Penelitian ini fokus pada diabetes melitus (DM), kondisi metabolik kronis dengan tingkat gula darah tinggi karena kurangnya insulin. Faktor penyebab DM bervariasi, termasuk kurangnya produksi insulin oleh sel beta Langerhans di pankreas dan ketidakresponsifan tubuh terhadap insulin. Penyakit ini prevalen di negara berkembang dan diperkirakan terus meningkat. Studi ini menggunakan algoritma K-Means Clustering untuk mengelompokkan risiko DM. Evaluasi pada k = 2 menunjukkan data dalam klaster cenderung bercampur, dengan nilai Silhouette Coefficient 0.5716 dan Davies Bouldin Index 0.672. Visualisasi scatter menunjukkan penyebaran data yang seragam dalam klaster, memberikan pemahaman mendalam tentang pola data. Hasilnya dapat mendukung pemahaman dan penanganan lebih lanjut terhadap DM
Klasifikasi Myers-Briggs Type Indicator Pengguna Twitter Menggunakan Support Vector Machine dan Augmentasi Data
Full text linkKepribadian merupakan aspek yang melekat pada seseorang, salah satu cara menentukannya yaitu dengan Myers-Briggs Type Indicator (MBTI). Beberapa penelitian terdahulu sudah melakukan klasifikasi MBTI menggunakan beberapa metode data mining. Salah satunya merupakan Support Vector Machine (SVM). Karena akurasi penelitian ini saat eksperimen kecil, maka digunakannya metode tambahan untuk meningkatkan performa model SVM yaitu dengan menggunakan augmentasi data. Proses klasifikasi diawali dengan preprocessing data, yaitu data cleaning dan text preprocessing. Lalu data dibobotkan menggunakan Term-Frequency Inverse Document Frequency. Data yang sudah dibersihkan berjumlah 154.813 record. Kemudian membagi menjadi data latih dan uji dengan volume 70:30 untuk menghindari overfitting. Data latih dilatih dengan SVM dan dievaluasi, lalu data latih yang sudah melalui preprocessing diaugmentasi dengan synonym replacement sebanyak lima iterasi. Proses ini menghasilkan 1.083.658 record untuk data latih. Data hasil augmentasi diekstraksi dan klasifikasi SVM kembali. Kemudian model dengan data latih asli dan hasil augmentasi digunakan untuk klasifikasi data uji dan berhasil meningkatkan 6% performa model SVM untuk klasifikasi dimensi MBTI.Personality is an inherent aspect of an individual, and one way to determine it is through the Myers-Briggs Type Indicator (MBTI). Previous studies have classified MBTI using various data mining methods, including Support Vector Machine (SVM). Due to the low accuracy of this research during experiments, an additional method was employed to enhance the SVM model's performance, namely using data augmentation. The classification process begins with data preprocessing, involving data cleaning and text preprocessing. Then, the data is weighted using Term-Frequency Inverse Document Frequency. The cleaned data amounts to 154,813 records. Next, it is divided into training and testing sets with a 70:30 ratio to avoid overfitting. The training data is trained with SVM and evaluated. The preprocessed training data is then augmented with synonym replacement through five iterations, resulting in 1,083,658 records for training. The augmented data is extracted and classified again using SVM. The model, trained with both the original and augmented data, is used to classify the test data, successfully improving the SVM model's performance by 6% for MBTI dimension classification
DETEKSI PENYAKIT DIABETES, KATARAK DAN GLAUKOMA PADA CITRA FUNDUS RETINA MATA MANUSIA MENGGUNAKAN CNN DENGAN ARSITEKTUR ALEXNET
Full text linkPenglihatan merupakan salah satu indera yang sangat penting bagi manusia. Jika terjadi kelainan atau penyakit pada mata, dapat berdampak serius, seperti diabetes yang dapat menyerang bola mata, katarak, dan glaukoma. Karena itu, menjaga kesehatan mata harus menjadi prioritas sehari-hari. Sayangnya, fasilitas medis terbatas di pusat kesehatan dan rumah sakit, serta kurangnya jumlah dokter mata yang mampu melakukan pemeriksaan dan operasi mata, menjadikan pengobatan penyakit mata menjadi sulit. Namun, seiring dengan pesatnya perkembangan teknologi, bidang kedokteran juga mengadopsi teknologi untuk meningkatkan pelayanan kepada masyarakat secara luas. Keterbatasan waktu yang dialami oleh dokter-dokter tersebut telah mendorong penggunaan sistem pakar dalam membantu diagnosis berbagai penyakit. Untuk mengatasi masalah dalam diagnosis penyakit diabetes, katarak, dan glaukoma, telah dikembangkan beberapa solusi. Salah satunya adalah dengan menggunakan metode pengolahan citra bola mata dan bahasa pemrograman untuk menciptakan perangkat lunak yang dapat melakukan diagnosis dan klasifikasi yang akurat terhadap keempat jenis penyakit tersebut. Dalam hal ini, metode yang digunakan adalah convolutional neural network (CNN). Sistem dirancang menggunakan metodologi CNN dengan arsitektur Alexnet berdasarkan gambar bola mata. Masukkan kumpulan data gambar yang diwarisi dari Kaggle yang disebut "Klasifikasi Penyakit Mata" dan gunakan total 4.217 gambar, 75% di antaranya adalah data latih dan 25% adalah gambar data uji. Pada penelitian ini, hasil terbaik untuk setiap skenario pengujian adalah presisi 87%, presisi 88%, recall 88%, skor f1 88% dan loss 0,48.Vision is one of the crucial senses for humans. Any abnormalities or diseases in the eyes can have serious implications, such as diabetes affecting the eyes, cataracts, and glaucoma. Therefore, maintaining eye health should be a daily priority. Unfortunately, medical facilities in health centers and hospitals are limited, and the insufficient number of eye doctors capable of conducting eye examinations and surgeries makes treating eye diseases difficult. However, with the rapid advancement of technology, the field of medicine has also embraced technology to enhance services for the public extensively. The time constraints faced by these doctors have led to the use of expert systems to assist in diagnosing various diseases. To address issues in diagnosing diabetes, cataracts, and glaucoma, several solutions have been developed. One of them involves using image processing of the eyeball and programming languages to create software capable of accurately diagnosing and classifying these four types of diseases. In this case, the method used is the convolutional neural network (CNN). The system is designed using the CNN methodology with an AlexNet architecture based on eyeball images. A dataset inherited from Kaggle, called "Eye Disease Classification," is used, comprising a total of 4,217 images, with 75% used as training data and 25% as test data. In this research, the best results for each testing scenario were precision at 87%, precision at 88%, recall at 88%, an F1 score of 88%, and a loss of 0.48
Prototipe Gamifikasi untuk Mendorong Aktivitas Fisik dan Mengurangi Perilaku Sedentari di Indonesia
Full text linkKetidakaktifan fisik dan perilaku sedentari menjadi perhatian yang semakin meningkat di Indonesia, dengan potensi dampak buruk terhadap kesehatan masyarakat. Seiring dengan perkembangan teknologi digital, gamifikasi muncul sebagai alat yang menjanjikan untuk mendorong aktivitas fisik dan mengurangi perilaku sedentari. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi prototipe gamifikasi yang dirancang untuk mendorong aktivitas fisik dan mengurangi perilaku sedentari di kalangan pekerja kantor di Indonesia. Pendekatan campuran digunakan, mencakup pengembangan prototipe gamifikasi yang didasarkan pada teori dan prinsip perubahan perilaku. Fitur, fungsionalitas, dan antarmuka pengguna prototipe ini dirancang secara teliti untuk memenuhi kebutuhan populasi target. Peserta dipilih berdasarkan kriteria yang telah ditetapkan, dan data dikumpulkan sebelum dan sesudah intervensi untuk menilai efektivitas prototipe. Metode analisis data digunakan untuk menginterpretasikan hasilnya. Temuan awal menunjukkan bahwa prototipe gamifikasi ini efektif dalam meningkatkan tingkat aktivitas fisik dan mengurangi perilaku sedentari di antara peserta. Umpan balik dari peserta menunjukkan pengalaman pengguna yang positif, meskipun beberapa masalah teknis dilaporkan. Gamifikasi memiliki potensi sebagai pendekatan inovatif untuk mendorong aktivitas fisik dan mengurangi perilaku sedentari di Indonesia. Penelitian lebih lanjut diperlukan untuk menyempurnakan prototipe ini dan memperluas penerapannya ke populasi yang lebih luas
Sistem Pendukung Keputusan Rekomendasi Penempatan Magang Mahasiswa ( MAGMA ) Program Studi Rekayasa Keamanan Siber Berbasis Website Menggunakan Metode Forward Chaining
Full text linkThe problem that often occurs in student internships is the mismatch between the type of work and student skills due to lack of information and literacy. With this problem, an expert system innovation was created as a decision-making tool for students, companies, and internship provider institutions. Decision support system is a computer development system that uses various sources of models to solve existing problems. This research is realized by implementing an expert system using the forward chaining method to recommend the right internship place for cyber security engineering study program students. The goal is to develop an intelligent tool that can accurately identify internship companies or institutions based on specified qualifications and optimize student placement according to certain skills, interests and requirements. Data was collected through distributing closed questionnaires to 21 students of the cyber security engineering study program as a reference in system design. Based on the test results of the comparison between expert system logic and manual logic, this system has a 100% accuracy rate
Artificial Intelligence (AI) for Classification of Cyber Attacks on Internet of Things (IoT) Network Traffic
No full textInternet of Things (IoT) is an architecture that connects large numbers of smart devices in today's modern global network system. Distributed denial of services (DDoS) attacks are one of the most common types of cyber attacks, targeting servers or networks with the aim of disrupting their normal activities. Although real-time detection and mitigation of DDoS attacks is difficult to achieve, the solution would be invaluable as attacks can cause significant damage. This research utilizes artificial intelligence (AI) to classify attacks on Internet of Things (IoT) network traffic. The resulting classification of DDOS attacks from all types of attacks, namely SYN, ACK, UDP, and UDPplain. The application of a deep learning model with the Convolutional Neural Network (CNN) algorithm is used to classify normal traffic from DDoS cyber attacks. The CNN algorithm performs very well in the classification process with an accuracy of 99%. Next, we plan to build a new model to block or mitigate DDoS attacks based on the output of the CNN classification algorithm used in this research
Implementasi Metode Design Thinking Pada Perancangan Antar Muka Aplikasi Mobile
Full text linkSistem Informasi Akademik (siakad) yang digunakan untuk pelayanan mahasiswa saat ini masih berbasis website, sedangkan mayoritas mahasiswa pengguna smartphone. Dalam rangka peningkatan mutu pelayanan mahasiswa, perlu adanya pengembangan siakad berbasis mobile dengan rancangan tampilan desain yang dapat memahami kebutuhan mahasiswa. Untuk merancang antar muka aplikasi siakad yang dapat memberikan pendekatan berbasis solusi dalam pemecahan suatu masalah kompleks yaitu dengan memahami kebutuhan mahasiswa, hingga melakukan pendekatan langsung dengan pembuatan prototipe dan pengujian, maka digunakan metode design thinking.Hasil pengujian desain antar muka siakad berbasis mobile ini menggunakan metode System Usabillity Scale (SUS) dengan skor rata-rata yang diperoleh sebesar 78,41. Hasil ini masuk kedalam kategori Acceptable, sehingga rancangan aplikasi ini baik untuk digunakan.The Academic Information System (siakad) used for student services is currently still web-based, while the majority of students use smartphones. In order to improve the quality of student services, it is necessary to develop a mobile-based siakad with a display design that can understand student needs. To design a siakad application interface that can provide a solution-based approach in solving a complex problem, namely by understanding student needs, to taking a direct approach with prototyping and testing, the design thinking method is used. The results of testing the mobile-based siakad interface design use the method System Usability Scale (SUS) with an average score of 78.41. These results fall into the Acceptable category, so this application design is good for use
Desain Game Edukasi Sejarah Bandung Lautan Api untuk Pelajar SMP Menggunakan Mechanics Dynamics Aesthetics (MDA)
Full text linkPerkembangan teknologi mengakibatkan banyak perubahan pada kehidupan, salah satunya mata pelajaran sejarah yang menggunakan metode daring dalam pengajarannya yang menimbulkan banyak permasalahan karena perubahan metode pengajaran yang berubah. Diperlukan sebuah metode pengajaran yang sifatnya fleksibel dapat dimainkan siswa ketika waktu luang dan serta menyenangkan serta edukatif seperti game edukasi. Namun dalam pengembangan game perlu sebuah desain dari game tersebut dari hal itu terdapat Mechanics, Dynamics, Aesthetics(MDA) sebagai framework yang dapat menjebatani maksud dari pembuatan game dan juga desain dari game, karena dari itu perlu dibuatnya game edukasi sejarah yang sesuai dengan penelitian ini. Hasil dari penelitian ini dilakukan evaluasi terhadap 31 orang responden dengan sebaran siswa/siswi SMP dengan rentang umur 11 hingga 16 tahun .Dengan menguji 16 pertanyaan yang diuji seputar komponen MDA setelah game dimainkan dengan menggunakan pearson product moment dan Cronchbach Alpha mendapatkan nilai valid dan relaibel, nilai pada aspek narrative untuk penceritaan sejarah dengan kriteria sesuai, serta aspek sensation untuk emosi yang menghasilkan kriteria sangat sesuai.Technological developments have resulted in many changes in life, one of which is history subjects which use online methods in their teaching which cause many problems due to changes in teaching methods. We need a flexible teaching method that can be played by students in their spare time and is fun and educative, such as educational games. However, in game development, a design of the game is needed, and there are Mechanics, Dynamics, Aesthetics (MDA) as a framework that can bridge the intent of making games and also the design of the game, because of that, it is necessary to make historical educational games that are in line with this research. . The results of this study evaluated 31 respondents with a distribution of junior high school students with an age range of 11 to 16 years old. By testing the 16 questions that were tested about the MDA component after the game was played using the Pearson product moment and Cronchbach Alpha to get a valid and reliable value, the value on the narrative aspect for historical storytelling with appropriate criteria, as well as the sensational aspect for emotion which results in very suitable criteria
KOMPARASI ALGORITMA NAÏVE BAYES CLASSIFIER, K-NEAREST NEIGHBOR DAN DECISION TREE UNTUK MENGANALISIS SENTIMEN MASYARAKAT TERHADAP KESEHATAN MENTAL PADA MEDIA SOSIAL TWITTER
Full text linkTwitter adalah platform media sosial paling populer di internet dan menawarkan kesempatan kepada pengguna untuk mengekspresikan pendapat mereka tentang berbagai topik, termasuk berita, peristiwa terkini, kabaret, dan topik lainnya. Salah satunya adalah opini Kesehatan mental. Namun, ada banyak opini yang berbeda di Twitter dari pengguna internet yang berbeda, Oleh karena itu, perlu dilakukan analisis dasar mengenai opini publik untuk menjelaskan dan memberikan informasi baru mengenai topik tertentu yang berkaitan dengan kesehatan mental, metode yang digunakan adalah algoritma Naïve Bayes Clasifier dan K-Nearest Neighbors (K-NN) dan Decision Tree. Ada 5000 data yang berhasil dikumpulkan melalui API Twitter dengan memanfaatkan kata kunci 'Kesehatan Mental'. Proses pengumpulan data meliputi klasifikasi opini menjadi positif atau negatif, pembersihan data, dan pra-pemrosesan, hingga mencapai hasil akhir. Data tersebut kemudian dianalisis menggunakan tiga algoritma yang berbeda, yaitu Naïve Bayes Classifier dan K-Nearest Neighbors (K-NN) serta Decision Tree, untuk membandingkan dan menentukan akurasi tertinggi. Dalam penelitian ini, algoritma Naïve Bayes menunjukkan hasil terbaik dengan akurasi 98,3%, presisi 79%, dan recall 87,17%.
Kata kunci: Analisis Sentimen, Decision Tree, Kesehatan Mental, K-Nearest Neighbors (K-NN), Naïve Bayes Classifier