IRPI Publisher Journals (Institute of Research and Publication Indonesia)
Not a member yet
1012 research outputs found
Sort by
Pengukuran Tingkat Kematangan pada Pelayanan Akademik dengan Cobit 4.1 Menggunakan Domain Monitor dan Evaluate: Measuring the Level of Maturity in Academic Services with Cobit 4.1 Using the Monitor and Evaluate Domains
No full textPerkembangan teknologi informasi yang sangat pesat menjadikannya sebagai suatu kebutuhan yang penting untuk perkembangan suatu organisasi. Universitas Hang Tuah menjadi salah satu Lembaga yang menggunakan teknologi informasi dalm berbagai aktivitas pelayanan akademiknya. Proses pelayanan akademik di Universitas Hang Tuah masih memiliki berbagai kekurangan yaitu terkait sistem atau aplikasi, pelaporan kinerja TI, infrastruktur, dan sumber daya TI lainnya. Pada permasalahan yang terjadi di Universitas Hang Tuah akan dilakukannya pengukuran tingkat kematangan dan memberi rekomendasi perbaikan, setelah mendapatkan hasil GAP antara tata kelola saat ini dengan tata kelola yang diinginkan sesuai ketentuan framework COBIT 4.1 berfokus pada domain Monitor and Evaluate. Pengumpula data pada penelitian ini menggunakan wawancara dan kuesioner yang telah dipilih berdasarkan RACI Chart. Hasil maturity level dari penelitian didapat nilai domain Monitor and Evaluate adalah 3,625 , yang menunjukkan bawah Universitas Hang Tuah mendapatkan level maturity level 4 (Managed and Measureabel) terdapat kesenjangan GAP atau rata-rata menjadi 0,58. Kemudian, Universitas Hang Tuah dapat mengimplementasikan beberapa usulan. Di antara usulan yang diajukan adalah agar manajemen menilai teknik pelatihan yang diberikan kepada pengguna sistem sesuai dengan standar kebutuhan untuk mencapai tujuan universita
Perancangan Aplikasi Pendeteksi Jenis-jenis Sampah Berbasis Android: Development of an Android-Based Waste Type Detection
No full textSampah merupakan masalah utama yang sering ditemui di Indonesia yang berdampak besar kepada kerusakan lingkungan hingga kesehatan. Salah satu penyebab masalah tersebut dapat terjadi dikarenakan kurangnya edukasi kepada masyarakat Indonesia mengenai jenis-jenis sampah, sehingga dapat mengakibatkan pengelolaan sampah yang tidak efisien. Tujuan dari penelitian ini adalah untuk membuat aplikasi pendeteksi jenis-jenis sampah berbasis android yang dibangun menggunakan bahasa pemrograman Kotlin dan Machine Learning untuk mendeteksi jenis sampah yang ingin diketahui user dan dalam pengembangannya menggunakan metode pengembangan SDLC software Waterfall. Hasil dari penelitian bahwa aplikasi berjalan dengan baik dan diharapkan dapat memberikan edukasi kepada masyarakat tentang sampah. Pengguna dapat dengan mudah memperoleh informasi mengenai sampah yang berkontribusi terhadap lingkungan yang lebih sehat. Aplikasi ini juga dapat digunakan dengan mudah oleh pengguna, dan diharapkan dapat meningkatkan pengetahuan mereka tentang pengelolaan sampah secara efisien. Beberapa saran pengembangan yang dapat dilakukan termasuk mengembangkan versi aplikasi untuk platform seluler lainnya, seperti iOS. Selain itu, menambahkan fitur pelaporan untuk memungkinkan pengguna melaporkan lokasi sampah yang signifikan atau masalah lingkungan lainnya juga merupakan langkah yang baik. Fitur gamifikasi juga dapat ditambahkan untuk meningkatkan keterlibatan pengguna, seperti sistem poin atau prestasi
Implementasi Algoritma Convolutional Neural Network untuk Klasifikasi Jenis Sampah Organik dan Non Organik: Implementation of the Convolutional Neural Network Algorithm for Classifying Types of Organic and Non-Organic Waste
No full textPenelitian ini bertujuan untuk mengimplementasikan algoritma Convolutional Neural Network (CNN) dalam klasifikasi sampah organik dan non-organik serta mengukur tingkat akurasi deteksi dan pengenalan objek sampah. Metode CNN digunakan untuk mendeteksi dan mengenali objek dalam citra. Hasil penelitian menunjukkan bahwa model CNN mencapai tingkat akurasi tertinggi sebesar 96.43% setelah enam kali percobaan. Hasil tersebut menunjukkan bahwa aplikasi CNN ini layak untuk diimplementasikan dalam klasifikasi sampah. Penting untuk melakukan beberapa uji coba guna memperoleh hasil akurasi yang optimal dengan memperhatikan dataset dalam proses pelatihan dan pengujian. Kesimpulan dari penelitian ini adalah bahwa model CNN dapat memberikan hasil akurasi yang baik dalam klasifikasi sampah organik dan non-organik, sehingga aplikasi ini memiliki potensi untuk diimplementasikan secara lua
Question Answering System pada Chatbot Telegram Menggunakan Large Language Models (LLM) dan Langchain (Studi Kasus UU Kesehatan): Question Answering System on Telegram Chatbot Using Large Language Models (LLM) and Langchain (Case Study: Health Law)
No full textDi bidang kesehatan, peraturan yang diterapkan dikenal sebagai hukum kesehatan, yang bertujuan untuk melindungi kepentingan pasien dan meningkatkan standar praktik medis. Pada tahun 2023, Indonesia menerapkan UU No 17 Tahun 2023 tentang Kesehatan, mencakup hak pasien, standar layanan, dan partisipasi masyarakat. Omnibus Law ini diharapkan menyelesaikan masalah kesehatan dan melindungi penyedia layanan. Penelitian ini bertujuan untuk mengembangkan Question Answering System (QAS) berbasis chatbot yang terintegrasi dengan Telegram. Metode yang digunakan adalah Langchain dan Large Language Models (LLM). Langchain digunakan untuk memfasilitasi pembangunan chatbot, sementara LLM adalah jenis model AI yang menggunakan pendekatan pembelajaran mesin untuk menghasilkan teks yang serupa dengan bahasa manusia. Sumber data yang digunakan sebagai basis pengetahuan adalah UU No 17 tahun 2023 tentang kesehatan. Chatbot yang dibangun telah berhasil memberikan jawaban kepada pengguna dengan hasil pengujian menggunakan BERTScore mendapatkan rata-rata nilai precision, recall, f1-score masing-masing sebesar 76%, 80%, 78%. Sedangkan untuk ROUGE-1 sebesar 60%, 45%, 50%, untuk ROUGE-2 sebesar 34%, 25%, 28%, dan untuk ROUGE-L sebesar 45%,34%,38%
Implementasi Algoritma Convolutional Neural Network (Resnet-50) untuk Klasifikasi Kanker Kulit Benign dan Malignant: Implementation of Convolutional Neural Network Algorithm (ResNet-50) for Benign and Malignant Skin Cancer Classification
No full textKulit sebagai organ terluar yang menutupi seluruh bagian tubuh manusia rentan terhadap berbagi penyakit, salah satunya kanker kulit. Penggunaan teknologi malignant, khususnya Convolutional Neural Network (CNN) diangkat menjadi topik penelitian karena kemampuan CNN untuk secara otomatis mengenali fitur penting dalam klasifikasi citra medis kanker kulit. Oleh karena itu dilakukan penelitian pengklasifikasian penyakit kanker kulit benign (jinak) dan malignant (ganas) menggunakan algoritma CNN arsitektur ResNet-50 dengan dataset berupa 5000 data latih kanker kulit benign dan 4600 data latih kanker kulit malignant.Model CNN yang telah dirancang dengan epoch 50 menggunakan optimizer Adam dan batch size sebesar 54 serta melibatkan beberapa teknik augmentasi data guna meningkatkan keragaman dataset untuk kemudian model hasil perancangan diimplementasikan ke dalam tampilan sebuah website dengan menggunakan Flask sebagai kerangka kerja yang menghubungkan antara model deep learning dan website agar bisa diakses oleh pengguna. Metode pengujian blackbox dilakukan demi memastikan sistem dapat melakukan klasifikasi kanker kulit melalui input berupa citra medis kedalam 2 kelas yaitu benign dan malignant dengan baik serta didapatkan hasil akurasi model sebesar 94,88 % dan loss sebesar 13,24%
Implementasi Algoritma Support Vector Machine Untuk Analisa Sentimen Data Ulasan Aplikasi Pinjaman Online di Google Play Store: Implementation of Support Vector Machine Algorithm for Sentiment Analysis of Online Loan Application Review Data on Google Play Store
No full textPinjaman online (pinjol) banyak menuai pro dan kontra karena aksesnya yang mudah dan iklannya tersebar di media sosial. Penyelenggara pinjaman daring juga seringkali menggunakan metode penagihan yang mengganggu, memberlakukan bunga yang tinggi, dan menetapkan jangka waktu pembayaran yang pendek, terutama pada pinjaman daring ilegal. Karenanya, penelitian ini melakukan analisis sentimen pada lima aplikasi pinjol, yaitu Kredivo, Easycash, Rupiah Cepat, Kredit Pintar, dan Ada Pundi. Data ulasan aplikasi diambil dari Google Play Store menggunakan teknik scraping. Kemudian, pelabelan sentimen dilakukan secara otomatis menggunakan kamus sentimen Bahasa Indonesia (Inset). Hasil pelabelan menunjukkan bahwa semua aplikasi pinjol mayoritas memiliki sentimen negatif. Kredivo menjadi aplikasi dengan jumlah sentimen positif terbanyak (46%), sementara itu Easycash memiliki sentimen negatif terbanyak (65%). Data yang di labeli kemudian digunakan untuk pemodelan klasifikasi dengan algoritma Support Vector Machine (SVM). Hasil evaluasi menghasilkan algoritma SVM mempunyai kinerja yang cukup baik dengan rata-rata akurasi sebesar 72%, presisi 76%, dan recall 85%. Namun secara khusus, SVM sangat baik melakukan klasifikasi sentimen pada aplikasi Kredit Pintar dengan akurasi sebesar 83%. Analisis visualisasi menggunakan word cloud juga dilakukan untuk memahami konteks ulasan pengguna aplikasi pinjol. Hasil pengamatan menunjukkan bahwa pengguna hampir selalu membahas tentang limit pinjaman disetiap sentimen pada kelima aplikasi
Predictive Model Comparison for Predicting Condom Use: Comparison of Conventional Logistic Regression and Other Machine Learning
Get PDFCondom use at first sex remains an important issue as it shapes future sexual behavior. This study aimed to deploy and predict condom use using five different machine learning classification models. Dataset used for this study was from Indonesian Demographic and Health Survey (IDHS) 2017 with a population of interest was male adolescents. We evaluated five different models, namely logistic regression, naïve bayes, K-Nearest Neighbors, support vector machines, and decision tree. Performances of each model were assessed using metrics such as accuracy, specificity, sensitivity, ROC Curve, and AUC Score. Study found that different models exhibit different accuracy, specificity, sensitivity, ROC Curve, and AUC Score. The decision tree and naïve bayes models remained the models with the highest specificity and sensitivity, however the KNN model expressed the highest AUC score. Result from the conventional logistic regression also explained that condom use was associated with education level, age at first sex, and attitude towards condom use. The government is advised to create equal education opportunities for every adolescent and shape better knowledge and condom attitudes. Future studies are advised to enhance the performance of machine learning models using hyperparameter tuning and other methods
Penerapan Algoritma Decesion Tree C4.5 untuk Memprediksi Tingkat Kelangsungan Hidup Pasien Kanker Tiroid: The Application of C4.5 Decision Tree Algorithm for Predicting the Survival Rate of Thyroid Cancer Patients
No full textSalah satu penyakit yang memiliki tingkat kelangsungan hidup yang bervariasi di antara pasien adalah kanker tiroid. Untuk memprediksi tingkat kelangsungan hidup pasien berdasarkan karakteristik klinis, penelitian ini menggunakan algoritma Decision Tree C4.5. Metode ini memanfaatkan pengolahan bahasa alami (NLP) dengan Count Vectorizer untuk mengubah teks menjadi data numerik. Dalam penilaian keakuratan prediksi, evaluasi dilakukan dengan matriks kebingungan (confusion matrix) untuk mengukur kinerja model dalam klasifikasi. Selain itu, Area Under Curve (AUC) juga dihitung untuk mengevaluasi performa model. Hasil eksperimen menunjukkan bahwa metode ini memberikan prediksi yang akurat tentang tingkat kelangsungan hidup pasien dengan kanker tiroid, mencapai akurasi sebesar 97% dan AUC sebesar 0.95, menunjukkan kinerja yang sangat baik. Penelitian ini penting untuk memperdalam pemahaman tentang penerapan Decision Tree dalam konteks medis dan potensi algoritma ini dalam mendukung pengambilan keputusan klinis di masa depan
Analisis Prediksi Customer Repeat Order menggunakan Algoritma Decision Tree pada Perusahaan Transportasi: Analysis of Customer Repeat Order Prediction using Decision Tree Algorithm in Transportation Company
No full textData merupakan inti yang tidak terpisahkan dalam pengelolaan pengembangan pelayanan yang dimiliki perusahaan. Banyak perusahaan yang tidak memanfaatkan data untuk keberlangsungan perusahaan atau meningkatkan mutu dari pelayanan perusahaan. Minimnya pemanfaatan data membuat data kurang memberikan nilai tambah terhadap suatu jasa atau pelayanan perusahaan. Oleh sebab itu, diperlukan adanya pemanfaatan data-data tersebut agar menghasilkan sebuah pengetahuan yang bermanfaat bagi perusahaan. pemanfaatan teknik data mining ini memberikan manfaat dalam pengolahan data dengan menggunakan model klasifikasi, khususnya algoritma decision tree, untuk memprediksi pelanggan yang berpotensi melakukan pemesanan ulang. Algoritma decision tree ini banyak digunakan untuk melakukan analisis prediksi karena menghasilkan keakuratan yang tinggi. Tujuan dari penelitian adalah untuk memahami layanan perusahaan yang paling diminati dan meningkatkan peluang pelanggam untuk melakukan pemesanan ulang layanan perusahaan sehingga mendapatkan manfaat dalam menaikan pendapatan perusahaan dengan menekan pengeluaran untuk pemasaran. Hasil dari penelitian menggunakan algoritma decision tree ini menghasilkan pohon keputusan dengan pengukuran accuracy sebesar 83,33%, pengukuran precision sebesar 100%, dan pengukuran recall sebesar 70%. Hasil pengukuran accuracy, precision dan recall menunjukan hasil yang baik sehingga penggunaan algoritma decision tree ini dapat dijadikan solusi untuk perusahaan guna melakukan prediksi customer repeat order
Sistem Pendukung Keputusan Penetuan Penerima BLT-DD Menggunakan Algoritma C4.5: Decision Support System for Determining BLT-DD Recipients Using the C4.5 Algorithm
No full textKemiskinan menjadi masalah yang sangat serius di Indonesia Pemerintah mengeluarkan salah program Bansos atau yang di sebut dengan Bantuan Langsung Tunai Dana Desa (BLT-DD) untuk mengentas kemiskinan. Salah satu desa yang menerima manfaat program BLT-DD yaitu desa Ngandong, Klaten Jawa Tengah sejak tahun 2023. Tantangan dalam menentukan penerima BLT-DD yaitu banyak ketidaktepatan sasaran karena masih dilakukan secara manual menyebabkan adanya masalah kecurangan yaitu penilaian secara subjektif oleh oknum tertentu. Oleh sebab itu dibutuhkan sebuah sistem pendukung keputusan dalam menentukan penerima BLT-DD. Salah satu metode SPK yang dikenal adalah Algoritma C4.5 dengan menggunakan lima parameter yaitu kemiskinan ekstrim, tunggal lansia, memiliki anggota keluarga yang menderita difabel, memiliki anggota keluarga yang sakit menahun, dan belum menerima bantuan apapun dari desa. Hasil penelitian diperoleh 8 rules dengan 5 rules berstatus layak dam 3 rules berstatus tidak layak. Hasil dari perhitungan gain menggunakan Algoritma C4.5 yang mendapat kriteria dengan nilai gain tertinggi yaitu Tunggal Lansia dengan gain 0,20998. Dengan adanya penerapan algoritma C4.5 mampu memberikan solusi kepada Pemerintah Desa dalam menentukan masyarakat yang berhak dalam menerima BLT-DD, penerima bantuan dapat menerima bantuan dengan cepat daan kemudian ditampilkan dalam laporan yang dapat diundu