Techno.Com
Not a member yet
738 research outputs found
Sort by
Integrasi Algoritma Support Vector Machine dengan Java untuk Memprediksi Kualitas Komponen Otomotif dalam Industri 4.0
Full text linkIndustri 4.0 menandai transformasi besar dalam sektor manufaktur, termasuk industri otomotif, dengan integrasi teknologi cerdas seperti machine learning untuk meningkatkan efisiensi dan kualitas produksi. Penelitian ini mengkaji penerapan algoritma Support Vector Machine (SVM) yang diintegrasikan dengan bahasa pemrograman Java untuk memprediksi kualitas komponen otomotif secara akurat. SVM dikenal efektif dalam klasifikasi data yang kompleks dan sangat cocok untuk lingkungan produksi yang memerlukan ketepatan tinggi. Proses penelitian mencakup pengumpulan dan pra-pemrosesan data kualitas komponen, pelatihan model SVM, serta implementasi model dalam platform Java guna memungkinkan integrasi dengan sistem otomasi industri yang telah ada. Hasil pengujian menunjukkan bahwa model SVM yang dibangun mampu mengklasifikasikan kualitas komponen dengan akurasi yang tinggi, memberikan potensi signifikan dalam pengurangan produk cacat dan peningkatan efisiensi produksi. Integrasi dengan Java memungkinkan sistem prediksi ini mudah diimplementasikan dalam infrastruktur perangkat lunak industri yang berbasis Java. Penelitian ini menunjukkan bahwa kombinasi machine learning dan pemrograman terapan dapat menjadi solusi strategis dalam mendukung transformasi digital industri otomotif di era Industri 4.0.
Kata kunci - Support Vector Machine (SVM), Java, Prediksi Kualitas, Komponen Otomotif, Industri 4.
Implementation of Extreme Learning Machine Based on HSV Color Features for Marine Animal Image Classification
Full text linkRecognizing sea animals is a significant challenge in digital image recognition. This is due to the diverse visual characteristics of marine animals, including morphological shapes, body surface colors, and textures displayed in images. Environmental factors also influence image quality, such as underwater lighting conditions, water turbidity, and other external elements. To address these classification challenges, one proposed approach is the use of the Extreme Learning Machine (ELM) method, which can be implemented by utilizing HSV (Hue, Saturation, Value) color features as the main input. The HSV color space is chosen because it more closely resembles the way humans perceive colors. In this model, color is separated into three main components: hue represents the type of color, saturation indicates the intensity or purity of the color, and value refers to its brightness or darkness. The dataset consists of several classes of marine animals such as clams, squids, and shrimp, collected from high-resolution image datasets. Test results show that the ELM model can classify images with competitive accuracy, achieving up to 83% accuracy in a much shorter training time compared to traditional learning methods. This study demonstrates that combining HSV color features with the ELM algorithm can be an efficient approach for classifying marine animal images.
Keywords - Shell, Squid, Shrimp, ELM,HS
Implementasi Metode TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) Pada Sistem Pendukung Keputusan Penentuan Siswa Terbaik di MTs Annur Baiturrahim
Full text linkPenilaian siswa terbaik di lingkungan sekolah perlu dilakukan secara objektif dan menyeluruh, dengan mempertimbangkan aspek akademik maupun non-akademik. MTs Annur Baiturrahim merupakan salah satu sekolah yang proses penilaiannya masih dilakukan secara manual tanpa bantuan sistem khusus, sehingga dinilai kurang efisien dan berpotensi menimbulkan penilaian yang subjektif. Berdasarkan kondisi tersebut, penelitian ini bertujuan untuk mengembangkan sistem pendukung keputusan berbasis web menggunakan metode TOPSIS yang tidak hanya dapat membantu dalam menentukan siswa terbaik secara objektif dan efisien, tetapi juga memperbaiki kelemahan dari penelitian sebelumnya. Sistem ini menggunakan lima kriteria penilaian: pengetahuan, keterampilan, sikap spiritual, sikap sosial, dan kehadiran. Dalam pengembangan sistem digunakan metode prototype, sedangkan pengujian dilakukan melalui Microsoft Excel, black box testing, serta User Acceptance Testing, dengan hasil menunjukkan bahwa sistem berjalan secara optimal dengan tingkat kepuasan pengguna mencapai 90%.
Kata Kunci – Pendidikan, Sistem Pendukung Keputusan, Siswa Terbaik, TOPSIS, We
Klasifikasi Penyakit Pada Daun Tanaman Kubis Menggunakan Metode Support Vector Machine (SVM) Berdasarkan Warna Dan Tekstur
Full text linkKubis merupakan salah satu komoditas pangan yang memiliki nilai ekonomi tinggi dan banyak dikonsumsi oleh masyarakat. Namun, hama dan penyakit lainnya adalah risiko terbesar dalam budidaya tanaman kubis. Salah satu faktor penting dalam keberhasilan produksi kubis adalah periode pertumbuhan, tetapi sering gagal karena banyak serangan hama. Penelitian ini bertujuan untuk mengklasifikasikan penyakit pada daun kubis menggunakan metode Support Vector Machine (SVM) berdasarkan fitur tekstur, yaitu Gray Level Coccurrence Matrix (GLCM) dan fitur warna Hue, Saturation, and Value (HSV) untuk memudahkan petani mengetahui jenis penyakitnya, sehingga dapat melakukan tindakan yang tepat untuk mencegah kerusakan lebih lanjut. Kumpulan data yang digunakan adalah 606 gambar daun kubis yang terbagi menjadi dua bagian, yaitu data latih dan data uji dengan rasio 80:20. Kumpulan data tersebut diklasifikasikan ke dalam lima kategori penyakit, yaitu: Bercak Cincin, Bercak Daun, Busuk Hitam, Jamur Berbulu Halus, dan Kutu Daun. Uji fitur GLCM dilakukan dengan membandingkan hasil percobaan sudut yaitu 0°, 45°, 90°, 135° dengan akurasi terbaik pada sudut 0°. Selain itu, parameter diuji pada metode SVM dengan kernel RBF, yaitu nilai C (1,5,10) dan gamma (10-1 – 10-5). Hasil akurasi terbaik menggunakan fitur GLCM dan HSV diperoleh dari nilai C = 10 dan gamma = 10-1 dengan akurasi 94,21%. Hal ini menunjukkan bahwa pengujian sudut fitur GLCM dan kernel RBF mempengaruhi hasil akurasi sehingga dalam penelitian ini penggunaan fitur GLCM dan HSV memberikan hasil yang lebih optimal. Proses klasifikasi juga memiliki waktu perhitungan yang relatif cepat, yaitu 1,90 detik.
Kata kunci: Penyakit Daun Kubis, Gray Level Co-occurrence Matrix, Hue Saturation Value, Support Vector Machine, Kernel RB
Implementasi Teknik Visualisasi Dinamis pada Augmented Reality untuk Representasi Operasi Vektor
Full text linkKonsep vektor, khususnya terkait arah dan transformasi besaran dalam ruang 3D, menuntut kemampuan visualisasi spasial yang tinggi. Media pembelajaran konvensional dan aplikasi AR statis seringkali memiliki keterbatasan dalam merepresentasikan proses terjadinya operasi vektor secara nyata. Penelitian ini bertujuan mengimplementasikan teknik Visualisasi Vektor Dinamis (Dynamic Vector Visualization) berbasis Augmented Reality (AR) untuk mensimulasikan perilaku vektor secara real-time. Sistem dikembangkan menggunakan engine Unity 3D dengan menerapkan arsitektur Visualisasi Berbasis Status (State-Driven Visualization). Metode ini mengintegrasikan aset adaptif dari Blender (Keyframe Animation) dengan logika kontrol Finite State Machine (FSM) untuk menjamin presisi geometris dan efisiensi komputasi pada perangkat mobile. Validasi dilakukan oleh ahli materi dan media, serta uji usability terhadap 30 mahasiswa. Hasil pengujian menunjukkan bahwa teknik visualisasi dinamis memperoleh skor validasi ahli materi sebesar 86% dan ahli media sebesar 95%. Uji penerimaan pengguna menghasilkan skor System Usability Scale (SUS) sebesar 92,7 yang masuk dalam kategori "Best Imaginable". Temuan ini mengonfirmasi bahwa integrasi mekanisme animasi prosedural dalam lingkungan AR terbukti efektif dalam membantu mahasiswa memvisualisasikan konsep abstrak operasi vektor dibandingkan representasi statis.
Kata Kunci - Augmented Reality; Visualisasi Dinamis; Vektor; Finite State Machine; Unity 3D
Rancang Bangun Network Attached Storage Menggunakan Set Top Box Sebagai Penyimpanan Terpusat
Full text linkPenelitian ini bertujuan untuk mengembangkan solusi penyimpanan data berbasis Set Top Box (STB) dengan sistem operasi Linux Armbian sebagai alternatif yang lebih ekonomis dibandingkan Network Attached Storage (NAS) konvensional. Program Studi Keamanan Sistem Informasi Politeknik Negeri Bengkalis menghadapi tantangan dalam pengelolaan data yang terdesentralisasi dan kurang efisien. Untuk mengatasi hal ini, STB dikonfigurasi sebagai server NAS yang memungkinkan penyimpanan terpusat serta akses jarak jauh melalui integrasi Virtual Private Network (VPN) ZeroTier dan Virtual Private Server (VPS). Metode penelitian mencakup perancangan sistem, implementasi perangkat keras dan lunak, serta pengujian kecepatan transfer data, akses multi-user, dan keamanan. Hasil penelitian menunjukkan bahwa NAS berbasis STB memiliki kecepatan transfer yang cukup baik, mendukung akses multi-user, serta mampu menjaga keamanan data melalui mekanisme kontrol akses dan enkripsi. Selain itu, solusi ini berhasil menekan biaya operasional sehingga dapat menjadi alternatif yang layak bagi institusi pendidikan dan organisasi kecil hingga menengah. Penelitian ini membuktikan bahwa perangkat keras berbiaya rendah dan perangkat lunak sumber terbuka dapat membangun sistem penyimpanan data yang efisien, efektif, dan skalabel.
Kata kunci: Network Attached Storage, Set Top Box, Penyimpanan Data Terpusat, Linux Armbian, Jaringa
Analisis Sentimen Komentar Tiktok Tentang Kasus TPPO TKI Di Kamboja Menggunakan Klasifikasi Naive Bayes Untuk Mengukur Opini Publik
Full text linkPenelitian ini bertujuan untuk memahami opini publik terhadap kasus-kasus Tindak Pidana Perdagangan Orang (TPPO) yang dialami pekerja migran atau Tenaga Kerja Indonesia (TKI) di Kamboja pada tahun 2025. Penelitian ini dilakukan dengan menganalisis sentimen komentar di TikTok. Penelitian ini menggunakan kekuatan algoritma Naive Bayes untuk membaca sentimen tersembunyi di balik komentar dan mengkategorikannya ke dalam spektrum positif, netral, dan negatif, dengan mempertimbangkan semakin populernya media sosial dan prevalensi penipuan pekerjaan online. Dataset ini terdiri dari 7.208 komentar yang dikumpulkan dari platform TikTok dengan menggunakan teknik crawling, yang kemudian diproses dan diberi tag untuk dianalisis. Hasilnya menunjukkan bahwa mayoritas pengguna TikTok cenderung memiliki opini netral terhadap isu TPPO. Model Naive Bayes mencapai tingkat akurasi sebesar 71,06%. Selain meningkatkan pemahaman masyarakat terhadap isu tersebut, penelitian ini diharapkan dapat menjadi amunisi berharga bagi pemerintah Indonesia untuk mengatasi TPPO di masa depan.
Kata kunci: Analisis Sentimen, Naive Bayes, TikTok, TPPO, TKI, Opini Publi
Model Deteksi Tutupan Lahan di Kecamatan Gunungsitoli Menggunakan Algoritma Decision Tree Berbasis Machine Learning
Full text linkPerkembangan teknologi penginderaan jauh semakin berkembang, integrasi data penginderan jauh dan artificial intelligence-machine learning menjadi pendekatan yang sangat efisien dalam mendeteksi tutupan lahan. Penelitian ini bertujuan untuk untuk membangun model algoritma tutupan lahan menggunakan algoritma decision tree. Data yang digunakan yakni Citra PlanetScope NICFI Level 1 yang diturunkan menjadi beberapa indeks spektral yang terdiri atas Normalized Difference Vegetation Index (NDVI), Visible Atmospherically Resistant Index (VARI), Soil Adjusted Vegetation Index (SAVI), Normalized Difference Water Index (NDWI), dan Green-Red Vegetation Index (GRVI). Untuk mengukur setia variabel digunakan Information Gain, Gini Index, dan Gain Ratio. Hasil penelitian menunjukan bahwa SAVI dan NDVI merupakan variabel yang informatif dalam membangun model. Distribusi tutupan lahan di Kecamatan Gunungsitoli didominasi oleh tutupan hutan.
Kata Kunci – Decision Tree, Machine Learning, Tutupan Lahan, Gunungsitol
Classification of Oil Loss Levels in Palm Oil Processing Using Near-Infrared Spectroscopy with Machine Learning
Full text linkOil losses in palm oil processing materials, such as Final Effluent, Empty Fruit Bunches, Kernels, Pressed Fiber, and Decanter Solids, pose significant challenges in ensuring production efficiency. Free and Open Source Software Near Infrared Spectroscopy (FOSS-NIRS) technology has been proven capable of quickly and efficiently detecting oil content, but its detection accuracy requires further analytical support. This study aims to develop a machine learning model that can accurately classify FOSS-NIRS data to detect oil losses that are either above the standard (red category) or below the standard (green category). By utilizing FOSS-NIRS data across five material categories, the proposed model is expected to provide precise predictions and support decision-making in palm oil production processes. The results of the study indicate that applying machine learning methods to FOSS-NIRS data can enhance the accuracy of oil loss classification, making it a potential solution for broader implementation in the palm oil processing industry to optimize production efficiency.
Keywords - Oil, Palm Oil, Losses, FOSS-NIRS
Klasifikasi Mahasiswa Berpotensi Dropout Menggunakan Metode Regresi Logistik
Full text linkDropout merupakan masalah serius yang sering terjadi di dunia perkuliahan. Beragam penyebab yang membuat seorang mahasiswa harus di dropout dari kampus mulai dari biaya kuliah yang mahal, jarak tempat kuliah yang jauh, rasa malas dan lain sebagainya. Setiap kampus pasti menginginkan kelulusan untuk setiap mahasiswanya dikarenakan masalah dropout ini dapat memberikan penilaian buruk bagi pihak kampus. Maka dari itu, langkah yang dapat dilakukan untuk mengatasi peramasalahan ini adalah dengan melakukan klasifikasi. Salah satu metode klasifikasi yang dapat digunakan adalah Regresi Logistik. Metode ini mampu melakukan klasifikasi dengan baik dan memberikan hasil akurasi yang baik juga. Pada penelitian ini, objek yang menjadi bahan penelitian adalah Program Studi Sistem Informasi dan dataset yang digunakan adalah data mahasiswa dari Angkatan 2015 sampai 2024. Hasil dari penelitian ini memberikan nilai akurasi yang sangat tinggi yaitu 99%. Sedangkan presisinya 99%, recall 95% dan f1-score nya adalah 97%.
Kata Kunci – Klasifikasi; Regersi Logistik; Dropout; Universita