Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Pengukuran Kualitas Data Menggunakan Framework Total Data Quality Management: Studi Kasus Kementerian Hukum Dan Hak Asasi Manusia Rutan Klas I Jakarta Pusat
Get PDFData adalah intangible aset dalam organisasi, pengambilan keputusan dan rekomendasi kebijakan yang baik berdasarkan data yang berkualitas. Tata kelola pemerintahan dapat diwujudkan dengan menerapkan pengelolaan data pemerintah berdasarkan prinsip satu data Indonesia, sehingga penyelenggaraan pemerintahan dilakukan dengan berbasis data. Penyelenggaraan layanan data terbuka meningkatkan kepercayaan masyarakat akan kinerja pemerintah. Layanan tersebut juga dimanfaatkan bagi pemangku kepentingan dan pengambil kebijakan. Pemutakiran data mandiri Aparatur Sipil Negara bertujuan untuk meningkatkan kualitas data ASN sehingga dapat menciptakan data-driven untuk rekomendasi kebijakan pemerintah yang berkelanjutan. Peneltian ini menggunakan metode campuran (mixed method) yaitu dengan mengkombinasikan pendekatan kuantatif dan kualitatif. Pengumpulan data dilakukan dengan menggunakan metode purposive sampling dan snowball dan menggunakan teknik analisis triangulasi. Pendekatan Total Data Quality Management (TDQM) digunakan dalam penelitian ini, metode tersebut bertujuan untuk mengukur kualitas data ASN pada SIMPEG Kementerian Hukum dan Hak Asasi Manusia di Rumah Tahanan KlA I Jakarta Pusat. Dalam framework ini terdapat empat tahapan yaitu definition, measurement, analysis dan improvement dari kualitas data yang terdiri dari empat dimensi pengukuran yaitu dimensi kelengkapan, akurasi, validitas, dan keunikan. Berdasarkan hasil penelitian pada dimensi kelengkapan terdapat dua entitas yang tidak lengkap yaitu kode pos dan nomor seri karpeg, dari dimensi validitas terdapat satu entitas yang tidak valid yaitu nomor dokumen, pada dimensi akurasi terdapat lima entitas yang tidak akurat yaitu nomor dokumen, Alamat, kode pos, nomor handphone dan nomor seri karpeg dan dimensi keunikan telah memenuhi syarat keunikan data.
Abstract
An organization\u27s data is an intangible asset that helps with decision-making and policy recommendations. Implementing government data management according to the one Indonesian data principle can help achieve governance by ensuring that government administration is conducted using data. The public is more confident in government performance when open data services are implemented. The service is also utilized by policymakers and stakeholders. The State Civil Apparatus\u27s independent data update seeks to enhance the quality of ASN data in order to produce data-driven recommendations for long-term government policy. The methodology used in this study is heterogeneous, integrating quantitative and qualitative techniques. Purposive sampling, snowball approaches, and triangulation analytic techniques were used to acquire the data. This study employs the Total Data Quality Management (TDQM) technique, which measures the quality of ASN data at the Ministry of Law and Human Rights\u27 SIMPEG in the KlA I Detention Centre in Central Jakarta. Definition, measurement, analysis, and enhancement of data quality—which includes four measurement dimensions: completeness, accuracy, validity, and uniqueness—are the four phases in this approach. According to research findings, there are two incomplete entities in the completeness dimension—the postal code and the employee card serial number—one invalid entity in the validity dimension—the document number—five inaccurate entities in the accuracy dimension—the document number, address, postal code, mobile phone number, and employee card serial number—and the uniqueness dimension satisfies the requirements for data uniqueness.Data adalah intangible aset dalam organisasi, pengambilan keputusan dan rekomendasi kebijakan yang baik berdasarkan data yang berkualitas. Tata kelola pemerintahan dapat diwujudkan dengan menerapkan pengelolaan data pemerintah berdasarkan prinsip satu data Indonesia, sehingga penyelenggaraan pemerintahan dilakukan dengan berbasis data. Penyelenggaraan layanan data terbuka meningkatkan kepercayaan masyarakat akan kinerja pemerintah. Layanan tersebut juga dimanfaatkan bagi pemangku kepentingan dan pengambil kebijakan. Pemutakiran data mandiri Aparatur Sipil Negara bertujuan untuk meningkatkan kualitas data ASN sehingga dapat menciptakan data-driven untuk rekomendasi kebijakan pemerintah yang berkelanjutan. Peneltian ini menggunakan metode campuran (mixed method) yaitu dengan mengkombinasikan pendekatan kuantatif dan kualitatif. Pengumpulan data dilakukan dengan menggunakan metode purposive sampling dan snowball dan menggunakan teknik analisis triangulasi. Pendekatan Total Data Quality Management (TDQM) digunakan dalam penelitian ini, metode tersebut bertujuan untuk mengukur kualitas data ASN pada SIMPEG Kementerian Hukum dan Hak Asasi Manusia di Rumah Tahanan KlA I Jakarta Pusat. Dalam framework ini terdapat empat tahapan yaitu definition, measurement, analysis dan improvement dari kualitas data yang terdiri dari empat dimensi pengukuran yaitu dimensi kelengkapan, akurasi, validitas, dan keunikan. Berdasarkan hasil penelitian pada dimensi kelengkapan terdapat dua entitas yang tidak lengkap yaitu kode pos dan nomor seri karpeg, dari dimensi validitas terdapat satu entitas yang tidak valid yaitu nomor dokumen, pada dimensi akurasi terdapat lima entitas yang tidak akurat yaitu nomor dokumen, Alamat, kode pos, nomor handphone dan nomor seri karpeg dan dimensi keunikan telah memenuhi syarat keunikan data.
Abstract
An organization\u27s data is an intangible asset that helps with decision-making and policy recommendations. Implementing government data management according to the one Indonesian data principle can help achieve governance by ensuring that government administration is conducted using data. The public is more confident in government performance when open data services are implemented. The service is also utilized by policymakers and stakeholders. The State Civil Apparatus\u27s independent data update seeks to enhance the quality of ASN data in order to produce data-driven recommendations for long-term government policy. The methodology used in this study is heterogeneous, integrating quantitative and qualitative techniques. Purposive sampling, snowball approaches, and triangulation analytic techniques were used to acquire the data. This study employs the Total Data Quality Management (TDQM) technique, which measures the quality of ASN data at the Ministry of Law and Human Rights\u27 SIMPEG in the KlA I Detention Centre in Central Jakarta. Definition, measurement, analysis, and enhancement of data quality—which includes four measurement dimensions: completeness, accuracy, validity, and uniqueness—are the four phases in this approach. According to research findings, there are two incomplete entities in the completeness dimension—the postal code and the employee card serial number—one invalid entity in the validity dimension—the document number—five inaccurate entities in the accuracy dimension—the document number, address, postal code, mobile phone number, and employee card serial number—and the uniqueness dimension satisfies the requirements for data uniqueness
Peningkatan Keamanan Pengacakan Soal Ujian Computer Assisted Test (CAT) Penerimaan Mahasiswa UIN Imam Bonjol
Get PDFTeknologi informasi telah membuka akses luas terhadap sumber belajar dan berperan signifikan dalam pelaksanaan tes ujian masuk perguruan tinggi, termasuk adopsi ujian berbasis komputer. Proses penerimaan mahasiswa baru merupakan tugas yang krusial dan menantang. Penelitian ini bertujuan untuk meningkatkan keamanan sistem ujian masuk mahasiswa baru jalur mandiri di UIN Imam Bonjol Padang dengan memperbaiki teknik pengacakan soal pada Computer Assisted Test (CAT). Pengacakan soal dalam sistem CAT yang ada saat ini masih menggunakan prosedur pengacakan standar, yang secara kriptografi tidak aman karena prediktabilitasnya. Untuk mengatasi masalah ini, penelitian mengusulkan penggunaan kombinasi algoritma Fisher-Yates Shuffle dan Chaos Map. Fisher-Yates Shuffle menawarkan efektivitas pengacakan tinggi dengan kompleksitas optimal (O(n)), sementara Chaos Map sangat sensitif terhadap nilai awal, sehingga cocok digunakan untuk pengacakan yang lebih aman. Dengan algoritma ini, soal dan pilihan jawaban diacak berdasarkan nomor peserta, sehingga setiap peserta mendapat soal yang berbeda, mengurangi kemungkinan kecurangan. Hasil penelitian menunjukkan bahwa sistem CAT dengan teknik pengacakan baru ini lebih aman dan efektif dimana terjadi penurunan kemiripan soal sebesar 67,85% dalam tingkat kemiripan soal dari 0,339 menjadi 0,109, yang menunjukkan bahwa algoritma yang diusulkan menghasilkan pengacakan soal yang lebih merata dan lebih sedikit pengulangan soal di antara peserta ujian.
Abstract
Information technology has provided wide access to learning resources and played a significant role in the implementation of college entrance exams, including the adoption of computer-based exams. The process of admitting new students is a crucial and challenging task. This study aims to enhance the security of the independent student entrance exam system at UIN Imam Bonjol Padang by improving the question randomization technique in the Computer-Assisted Test (CAT). The current CAT system still uses a standard randomization procedure, which is cryptographically insecure due to its predictability. To address this issue, the study proposes a combination of the Fisher-Yates Shuffle and Chaos Map algorithms. Fisher-Yates Shuffle offers high randomization effectiveness with optimal complexity (O(n)), while Chaos Map is highly sensitive to initial values, making it ideal for more secure randomization. With this approach, questions and answer choices are randomized based on participant numbers, ensuring each participant receives different questions, thus reducing the possibility of cheating. The results show that the CAT system with this new randomization technique is more secure and effective where there is a 67.85% decrease in the question similarity rate from 0.339 to 0.109, which indicates that the proposed algorithm results in more even question randomization and less question repetition among examinees.Teknologi informasi telah membuka akses luas terhadap sumber belajar dan berperan signifikan dalam pelaksanaan tes ujian masuk perguruan tinggi, termasuk adopsi ujian berbasis komputer. Proses penerimaan mahasiswa baru merupakan tugas yang krusial dan menantang. Penelitian ini bertujuan untuk meningkatkan keamanan sistem ujian masuk mahasiswa baru jalur mandiri di UIN Imam Bonjol Padang dengan memperbaiki teknik pengacakan soal pada Computer Assisted Test (CAT). Pengacakan soal dalam sistem CAT yang ada saat ini masih menggunakan prosedur pengacakan standar, yang secara kriptografi tidak aman karena prediktabilitasnya. Untuk mengatasi masalah ini, penelitian mengusulkan penggunaan kombinasi algoritma Fisher-Yates Shuffle dan Chaos Map. Fisher-Yates Shuffle menawarkan efektivitas pengacakan tinggi dengan kompleksitas optimal (O(n)), sementara Chaos Map sangat sensitif terhadap nilai awal, sehingga cocok digunakan untuk pengacakan yang lebih aman. Dengan algoritma ini, soal dan pilihan jawaban diacak berdasarkan nomor peserta, sehingga setiap peserta mendapat soal yang berbeda, mengurangi kemungkinan kecurangan. Hasil penelitian menunjukkan bahwa sistem CAT dengan teknik pengacakan baru ini lebih aman dan efektif dimana terjadi penurunan kemiripan soal sebesar 67,85% dalam tingkat kemiripan soal dari 0,339 menjadi 0,109, yang menunjukkan bahwa algoritma yang diusulkan menghasilkan pengacakan soal yang lebih merata dan lebih sedikit pengulangan soal di antara peserta ujian.
Abstract
Information technology has provided wide access to learning resources and played a significant role in the implementation of college entrance exams, including the adoption of computer-based exams. The process of admitting new students is a crucial and challenging task. This study aims to enhance the security of the independent student entrance exam system at UIN Imam Bonjol Padang by improving the question randomization technique in the Computer-Assisted Test (CAT). The current CAT system still uses a standard randomization procedure, which is cryptographically insecure due to its predictability. To address this issue, the study proposes a combination of the Fisher-Yates Shuffle and Chaos Map algorithms. Fisher-Yates Shuffle offers high randomization effectiveness with optimal complexity (O(n)), while Chaos Map is highly sensitive to initial values, making it ideal for more secure randomization. With this approach, questions and answer choices are randomized based on participant numbers, ensuring each participant receives different questions, thus reducing the possibility of cheating. The results show that the CAT system with this new randomization technique is more secure and effective where there is a 67.85% decrease in the question similarity rate from 0.339 to 0.109, which indicates that the proposed algorithm results in more even question randomization and less question repetition among examinees
Deep Learning dengan Teknik Early Stopping untuk Mendeteksi Malware pada Perangkat IoT
Get PDFPerkembangan pesat teknologi, khususnya Internet of Things (IoT), telah memberikan dampak signifikan dalam berbagai sektor kehidupan manusia. IoT memungkinkan pertukaran data antar perangkat secara otomatis melalui jaringan internet, mengubah cara manusia berinteraksi dengan lingkungan sekitarnya. Meskipun IoT memberikan berbagai manfaat seperti kemudahan mengakses perangkat dari jarak jauh, kehadirannya juga membawa potensi bahaya terkait dengan keamanan siber, privasi, dan ketergantungan terhadap teknologi. Artikel ini membahas upaya untuk mengatasi ancaman keamanan siber pada ekosistem IoT dengan mengimplementasikan sistem deteksi berbasis klasifikasi malware. Pendekatan ini memanfaatkan teknik pembelajaran mesin, terutama deep learning, untuk mengidentifikasi dan memitigasi ancaman siber. Penggunaan Convolutional Neural Network (CNN) dalam klasifikasi dataset IoT-23 dengan teknik penyeimbangan data SMOTE (Synthetic Minority Oversampling Technique) serta fungsi Early Stopping menunjukkan hasil yang tinggi. Meskipun CNN awalnya dirancang untuk pengolahan gambar, algoritma ini juga efektif dalam mendeteksi pola kompleks pada data non-gambar seperti lalu lintas jaringan IoT karena kemampuannya dalam ekstraksi fitur hierarkis. Akurasi yang diperoleh pada dataset tidak seimbang adalah sebesar 99%, sedangkan pada dataset seimbang sebesar 75%. Presisi dan Recall yang diperoleh pada dataset tidak seimbang di kelas 0 adalah 100% dan 35%, sedangkan pada kelas 1 adalah 99% dan 100%. Pada dataset seimbang, presisi dan recall di kelas 0 adalah 67% dan 100%, sedangkan pada kelas 1 adalah 100% dan 51%.
Abstract
The rapid development of technology, especially the Internet of Things (IoT), has significantly impacted various sectors of human life. IoT enables automatic data exchange between devices via the internet, changing how humans interact with their surroundings. Although IoT provides multiple benefits, such as ease of accessing devices remotely, its presence also brings potential dangers related to cybersecurity, privacy, and dependence on technology. This article discusses efforts to address cybersecurity threats in the IoT ecosystem by implementing a malware classification-based detection system. This approach utilizes machine learning techniques and intense learning to identify and mitigate cyber threats. The use of Convolutional Neural Network (CNN) in classifying the IoT-23 dataset with the SMOTE (Synthetic Minority Oversampling Technique) data balancing technique and the Early Stopping function shows high results. Although CNN was initially designed for image processing, this algorithm also effectively detects complex patterns in non-image data, such as IoT network traffic, due to its ability to extract hierarchical features. The accuracy obtained on the unbalanced dataset is 99%, while on the balanced dataset, it is 75%. The precision and recall obtained on the unbalanced dataset in class 0 are 100% and 35%, while in class 1 are 99% and 100%. In the balanced dataset, the precision and recall in class 0 are 67% and 100%, while in class 1 are 100% and 51%.Perkembangan pesat teknologi, khususnya Internet of Things (IoT), telah memberikan dampak signifikan dalam berbagai sektor kehidupan manusia. IoT memungkinkan pertukaran data antar perangkat secara otomatis melalui jaringan internet, mengubah cara manusia berinteraksi dengan lingkungan sekitarnya. Meskipun IoT memberikan berbagai manfaat seperti kemudahan mengakses perangkat dari jarak jauh, kehadirannya juga membawa potensi bahaya terkait dengan keamanan siber, privasi, dan ketergantungan terhadap teknologi. Artikel ini membahas upaya untuk mengatasi ancaman keamanan siber pada ekosistem IoT dengan mengimplementasikan sistem deteksi berbasis klasifikasi malware. Pendekatan ini memanfaatkan teknik pembelajaran mesin, terutama deep learning, untuk mengidentifikasi dan memitigasi ancaman siber. Penggunaan Convolutional Neural Network (CNN) dalam klasifikasi dataset IoT-23 dengan teknik penyeimbangan data SMOTE (Synthetic Minority Oversampling Technique) serta fungsi Early Stopping menunjukkan hasil yang tinggi. Meskipun CNN awalnya dirancang untuk pengolahan gambar, algoritma ini juga efektif dalam mendeteksi pola kompleks pada data non-gambar seperti lalu lintas jaringan IoT karena kemampuannya dalam ekstraksi fitur hierarkis. Akurasi yang diperoleh pada dataset tidak seimbang adalah sebesar 99%, sedangkan pada dataset seimbang sebesar 75%. Presisi dan Recall yang diperoleh pada dataset tidak seimbang di kelas 0 adalah 100% dan 35%, sedangkan pada kelas 1 adalah 99% dan 100%. Pada dataset seimbang, presisi dan recall di kelas 0 adalah 67% dan 100%, sedangkan pada kelas 1 adalah 100% dan 51%.
Abstract
The rapid development of technology, especially the Internet of Things (IoT), has significantly impacted various sectors of human life. IoT enables automatic data exchange between devices via the internet, changing how humans interact with their surroundings. Although IoT provides multiple benefits, such as ease of accessing devices remotely, its presence also brings potential dangers related to cybersecurity, privacy, and dependence on technology. This article discusses efforts to address cybersecurity threats in the IoT ecosystem by implementing a malware classification-based detection system. This approach utilizes machine learning techniques and intense learning to identify and mitigate cyber threats. The use of Convolutional Neural Network (CNN) in classifying the IoT-23 dataset with the SMOTE (Synthetic Minority Oversampling Technique) data balancing technique and the Early Stopping function shows high results. Although CNN was initially designed for image processing, this algorithm also effectively detects complex patterns in non-image data, such as IoT network traffic, due to its ability to extract hierarchical features. The accuracy obtained on the unbalanced dataset is 99%, while on the balanced dataset, it is 75%. The precision and recall obtained on the unbalanced dataset in class 0 are 100% and 35%, while in class 1 are 99% and 100%. In the balanced dataset, the precision and recall in class 0 are 67% and 100%, while in class 1 are 100% and 51%
Penerapan Object Detection Menggunakan Deep Learning Yolov8 Untuk Mengidentifikasi Sampah Anorganik (Maksimal Sepuluh Objek) Dalam Satu Citra
Get PDFMasalah sampah di Indonesia masih menjadi momok yang belum teratasi, terutama karena tingginya pertumbuhan penduduk. Sampah anorganik menjadi perhatian utama karena sulit terurai dan mencemari lingkungan untuk waktu yang lama. Oleh karena itu, diperlukan sistem pendeteksi otomatis berbagai jenis sampah anorganik dalam berbagai kondisi, guna mengurangi dampak pencemaran dan memfasilitasi proses daur ulang yang lebih efisien. Penelitian ini menggunakan kecerdasan buatan (deep learning) dengan model YOLOv8 nano untuk mengenali beberapa jenis sampah anorganik. Data yang dipakai berasal dari kamera gawai dan gabungan dataset Kaggle, totalnya ada 2459 data untuk lima jenis sampah. Pembagian datanya 1967 untuk pelatihan, 246 untuk validasi, dan 246 untuk pengujian. Pengujian dilakukan pada gambar yang berisi 1 hingga 12 objek sampah dalam kondisi yang berbeda-beda. Hasilnya menunjukkan akurasi model yang tinggi, dengan nilai mAP50 mencapai 87.1% dan mAP50-95 sebesar 72.1%. Nilai presisi mencapai 86.2% dan recall mencapai 79.1% pada iterasi ke-50, menunjukkan kinerja model yang baik. Model ini juga handal dalam mendeteksi hingga sepuluh objek sampah dalam satu gambar. Namun, kemampuan deteksi menurun ketika objek sampah melebihi sepuluh. Artinya, model masih bisa mengenali objek meski jumlahnya banyak, tetapi akurasi klasifikasinya menurun.
Abstract
The waste problem in Indonesia remains a persistent issue, especially due to the high population growth. Inorganic waste is a major concern because it is difficult to decompose and contaminates the environment for a long time. Therefore, an automatic detection system for various types of inorganic waste in different conditions is needed to reduce the impact of pollution and facilitate more efficient recycling processes. This study uses artificial intelligence (deep learning) with the YOLOv8 nano model to recognize several types of inorganic waste. The data used comes from mobile phone cameras and a combination of Kaggle datasets, totaling 2,459 data points for five types of waste. The data is divided into 1,967 for training, 246 for validation, and 246 for testing. The testing was conducted on images containing 1 to 12 waste objects in various conditions. The results show a high model accuracy, with an mAP50 value of 87.1% and mAP50-95 of 72.1%. The precision value reaches 86.2%, and the recall reaches 79.1% at the 50th iteration, indicating good model performance. This model is also reliable in detecting up to ten waste objects in a single image. However, the detection ability decreases when the number of waste objects exceeds ten. This means that the model can still recognize objects even when there are many, but its classification accuracy decreases.Masalah sampah di Indonesia masih menjadi momok yang belum teratasi, terutama karena tingginya pertumbuhan penduduk. Sampah anorganik menjadi perhatian utama karena sulit terurai dan mencemari lingkungan untuk waktu yang lama. Oleh karena itu, diperlukan sistem pendeteksi otomatis berbagai jenis sampah anorganik dalam berbagai kondisi, guna mengurangi dampak pencemaran dan memfasilitasi proses daur ulang yang lebih efisien. Penelitian ini menggunakan kecerdasan buatan (deep learning) dengan model YOLOv8 nano untuk mengenali beberapa jenis sampah anorganik. Data yang dipakai berasal dari kamera gawai dan gabungan dataset Kaggle, totalnya ada 2459 data untuk lima jenis sampah. Pembagian datanya 1967 untuk pelatihan, 246 untuk validasi, dan 246 untuk pengujian. Pengujian dilakukan pada gambar yang berisi 1 hingga 12 objek sampah dalam kondisi yang berbeda-beda. Hasilnya menunjukkan akurasi model yang tinggi, dengan nilai mAP50 mencapai 87.1% dan mAP50-95 sebesar 72.1%. Nilai presisi mencapai 86.2% dan recall mencapai 79.1% pada iterasi ke-50, menunjukkan kinerja model yang baik. Model ini juga handal dalam mendeteksi hingga sepuluh objek sampah dalam satu gambar. Namun, kemampuan deteksi menurun ketika objek sampah melebihi sepuluh. Artinya, model masih bisa mengenali objek meski jumlahnya banyak, tetapi akurasi klasifikasinya menurun.
Abstract
The waste problem in Indonesia remains a persistent issue, especially due to the high population growth. Inorganic waste is a major concern because it is difficult to decompose and contaminates the environment for a long time. Therefore, an automatic detection system for various types of inorganic waste in different conditions is needed to reduce the impact of pollution and facilitate more efficient recycling processes. This study uses artificial intelligence (deep learning) with the YOLOv8 nano model to recognize several types of inorganic waste. The data used comes from mobile phone cameras and a combination of Kaggle datasets, totaling 2,459 data points for five types of waste. The data is divided into 1,967 for training, 246 for validation, and 246 for testing. The testing was conducted on images containing 1 to 12 waste objects in various conditions. The results show a high model accuracy, with an mAP50 value of 87.1% and mAP50-95 of 72.1%. The precision value reaches 86.2%, and the recall reaches 79.1% at the 50th iteration, indicating good model performance. This model is also reliable in detecting up to ten waste objects in a single image. However, the detection ability decreases when the number of waste objects exceeds ten. This means that the model can still recognize objects even when there are many, but its classification accuracy decreases
Analisis Pengolahan Ekstraksi Fitur Citra Untuk Klasifikasi Jenis Apel Menggunakan Scikit-Learn Dengan Algoritma K-Nearest Neighbor
Get PDFJenis Apel di Indonesia makin beragam seiring dengan perkembangan teknologi dibidang perkebunan.apel yang berkembang pesat. Penggunaan teknologi pengolahan citra dan pembelajaran mesin telah membuka peluang baru dalam mengatasi tantangan klasifikasi objek berbasis citra, termasuk dalam mengidentifikasi jenis buah apel.Penggunaan metode K-Nearest Neighbor sudah banyak terbukti dalam klasifikasi berbagai jenis data termasuk citra. Penelitian yang akan dilakukan akan mencoba melakukan analisa dan mengklasifikasikan jenis apel dengan membaca extrasi fitur citra menggunakan library scikit-learn dalam bahasa pemrograman Python dengan pendekatan algoritma K-Nearest Neighbor. Dataset yang akan diteli dalam klasifikasi digunakan 7 jenis apel yaitu Apple Braeburn, Apple Crimson Snow, Apple Golden, Apple Granny Smith, Apple Red , Apple Red Delicious, Apple Red Yellow. Dataset training yang digunakan dalam penelitian sebanyak 16404 citra, sedangkan data testing sebanyak 2134 citra apel. Proses klasifikasi dilakukan dengan membandingkan extrasi fitur dari apel yang belum diketahui varietasnya dengan fitur-fitur dari apel yang telah diklasifikasikan sebelumnya.extrasi fiture yang akan dilakukan yaitu akan membandingkandan dari hasil extrasi fiture HVS, histogram dan RGB yang dipilih dengan nilai k genap. Hasil penelitian yang dilakukan menghasilkan akurasi tertinggi sebesar 96,9 %, dengan nilai k=2 dan kriteria perhitungan jarak menggunakan extraksi fitur menggunakan RGB,HSV dan histogram. Penelitian ini diharapkan mampu memberikan potensi penggunaan teknik pengolahan citra dalam mendukung identifikasi jenis apel secara otomatis, yang relevan dalam industri pertanian dan pengolahan makanan. Penelitian selanjutnya diharapkan dapat dilakukan dengan membandingkan metode algoritma untuk klasifikasi yang lain serta memberikan dataset image dengan pencahayaan yang berbeda dengan menambah beberapa jenis apel dan kombinasi parameter yang lebih banyak lagi agar dapat meningkatkan output hasil penelitian yang sudah dilakukan.
Abstract
Apple types in Indonesia are increasingly diverse along with the rapid development of technology in the field of apple plantations. The use of image processing and machine learning technology has opened up new opportunities in overcoming the challenges of image-based object classification, including in identifying apple types. The use of the K-Nearest Neighbor method has been widely proven in the classification of various types of data including images. The research that will be conducted will try to analyze and classify apple types by reading image feature extraction using the scikit-learn library in the Python programming language with the K-Nearest Neighbor algorithm approach. The dataset that will be studied in the classification uses 7 types of apples, namely Apple Braeburn, Apple Crimson Snow, Apple Golden, Apple Granny Smith, Apple Red, Apple Red Delicious, Apple Red Yellow. The training dataset used in the study was 16404 images, while the testing data was 2134 apple images. The classification process is carried out by comparing feature extraction from apples whose varieties are unknown with features from apples that have been previously classified. The feature extraction that will be carried out is to compare and from the results of the HVS, histogram and RGB feature extraction selected with an even k value. The results of the research conducted produced the highest accuracy of 96.9%, with a value of k = 2 and the distance calculation criteria using feature extraction using RGB, HSV and histograms. This research is expected to provide the potential for using image processing techniques to support automatic identification of apple types, which are relevant in the agricultural and food processing industries. Further research is expected to be carried out by comparing algorithm methods for other classifications and providing image datasets with different lighting by adding several types of apples and more parameter combinations in order to increase the output of the research results that have been carried out.Jenis Apel di Indonesia makin beragam seiring dengan perkembangan teknologi dibidang perkebunan.apel yang berkembang pesat. Penggunaan teknologi pengolahan citra dan pembelajaran mesin telah membuka peluang baru dalam mengatasi tantangan klasifikasi objek berbasis citra, termasuk dalam mengidentifikasi jenis buah apel.Penggunaan metode K-Nearest Neighbor sudah banyak terbukti dalam klasifikasi berbagai jenis data termasuk citra. Penelitian yang akan dilakukan akan mencoba melakukan analisa dan mengklasifikasikan jenis apel dengan membaca extrasi fitur citra menggunakan library scikit-learn dalam bahasa pemrograman Python dengan pendekatan algoritma K-Nearest Neighbor. Dataset yang akan diteli dalam klasifikasi digunakan 7 jenis apel yaitu Apple Braeburn, Apple Crimson Snow, Apple Golden, Apple Granny Smith, Apple Red , Apple Red Delicious, Apple Red Yellow. Dataset training yang digunakan dalam penelitian sebanyak 16404 citra, sedangkan data testing sebanyak 2134 citra apel. Proses klasifikasi dilakukan dengan membandingkan extrasi fitur dari apel yang belum diketahui varietasnya dengan fitur-fitur dari apel yang telah diklasifikasikan sebelumnya.extrasi fiture yang akan dilakukan yaitu akan membandingkandan dari hasil extrasi fiture HVS, histogram dan RGB yang dipilih dengan nilai k genap. Hasil penelitian yang dilakukan menghasilkan akurasi tertinggi sebesar 96,9 %, dengan nilai k=2 dan kriteria perhitungan jarak menggunakan extraksi fitur menggunakan RGB,HSV dan histogram. Penelitian ini diharapkan mampu memberikan potensi penggunaan teknik pengolahan citra dalam mendukung identifikasi jenis apel secara otomatis, yang relevan dalam industri pertanian dan pengolahan makanan. Penelitian selanjutnya diharapkan dapat dilakukan dengan membandingkan metode algoritma untuk klasifikasi yang lain serta memberikan dataset image dengan pencahayaan yang berbeda dengan menambah beberapa jenis apel dan kombinasi parameter yang lebih banyak lagi agar dapat meningkatkan output hasil penelitian yang sudah dilakukan.
Abstract
Apple types in Indonesia are increasingly diverse along with the rapid development of technology in the field of apple plantations. The use of image processing and machine learning technology has opened up new opportunities in overcoming the challenges of image-based object classification, including in identifying apple types. The use of the K-Nearest Neighbor method has been widely proven in the classification of various types of data including images. The research that will be conducted will try to analyze and classify apple types by reading image feature extraction using the scikit-learn library in the Python programming language with the K-Nearest Neighbor algorithm approach. The dataset that will be studied in the classification uses 7 types of apples, namely Apple Braeburn, Apple Crimson Snow, Apple Golden, Apple Granny Smith, Apple Red, Apple Red Delicious, Apple Red Yellow. The training dataset used in the study was 16404 images, while the testing data was 2134 apple images. The classification process is carried out by comparing feature extraction from apples whose varieties are unknown with features from apples that have been previously classified. The feature extraction that will be carried out is to compare and from the results of the HVS, histogram and RGB feature extraction selected with an even k value. The results of the research conducted produced the highest accuracy of 96.9%, with a value of k = 2 and the distance calculation criteria using feature extraction using RGB, HSV and histograms. This research is expected to provide the potential for using image processing techniques to support automatic identification of apple types, which are relevant in the agricultural and food processing industries. Further research is expected to be carried out by comparing algorithm methods for other classifications and providing image datasets with different lighting by adding several types of apples and more parameter combinations in order to increase the output of the research results that have been carried out
Pengembangan Media Pembelajaran Etnomatematika Candi Prambanan Berbasis Augmented Reality untuk Materi Geometri
Get PDFPembelajaran matematika adalah materi yang sudah dipelajari sejak sekolah dasar bahkan hingga level perguruan tinggi. Karena dekatnya matematika dengan kehidupan kita, ada sebuah konsep yaitu etnomatematika dimana pembelajaran matematika digabungkan dengan unsur budaya seperti bentuk-bentuk geometri yang bisa kita temukan di lokasi-lokasi budaya salah satunya Candi Prambanan. Hal ini membuka peluang bahwa penerapan etnomatematika Candi Prambanan dapat mempermudah proses belajar geometri. Media pembelajaran berupa Augmented Reality memiliki potensi untuk meningkatkan proses belajar menjadi lebih interaktif dimana siswa harus berpartisipasi jalannya materi serta media lama yang awalnya hanya gambar atau teks dapat diatasi dengan visualisasi dan ilustrasi. Dari uraian diatas dapat diketahui tujuan dari penelitian ini yaitu melibatkan unsur budaya yang saat ini mulai dilupakan, diterapkan pembelajaran etnomatematika. Kedua yaitu mengatasi media sebelumnya yang hanya berupa teks dan gambar pada buku, dengan teknologi Augmented Reality yang dapat memvisualisasikan dan mengilustrasikan objek geometri dalam bentuk 3D. Metode penelitian yang akan digunakan yaitu metode Waterfall. Hasil yang akan diciptakan yaitu berupa aplikasi media pembelajaran Augmented Reality pada android yang didalamnya akan mempelajari mengenai matematika materi geometri pada siswa SMP serta dilengkapi dengan kuis dan game sederhana yang interaktif. Hasil penelitian yang dilakukan mendapatkan yaitu uji aspek tampilan dan animasi dengan hasil perhitungan skala likert 85,17% tergolong pada kategori sangat baik serta uji aspek kebutuhan materi dengan hasil perhitungan skala likert 87,6% tergolong pada kategori sangat baik.
Abstract
Math learning is material that has been studied since elementary school even up to the college level. Because of the closeness of math to our lives, there is a concept, namely ethnomathematics, where math learning is combined with cultural elements such as geometric shapes that we can find in cultural locations, one of which is Prambanan Temple. This opens up opportunities that the application of Prambanan Temple ethnomathematics can facilitate the geometry learning process. Learning media in the form of Augmented Reality has the potential to improve the learning process to be more interactive where students must participate in the course of the material and old media that was originally only images or text can be overcome with visualization and illustration. The research method that will be used is the Waterfall method. The results will be created in the form of Augmented Reality learning media applications on android in which it will learn about mathematics geometry material in junior high school students and equipped with quizzes and simple interactive games. The results of the research conducted get the display and animation aspect test with the results of the Likert scale calculation of 85.17% classified in the very good category and the test aspect of the material needs with the results of the Likert scale calculation of 87.6% classified in the very good category.Pembelajaran matematika adalah materi yang sudah dipelajari sejak sekolah dasar bahkan hingga level perguruan tinggi. Karena dekatnya matematika dengan kehidupan kita, ada sebuah konsep yaitu etnomatematika dimana pembelajaran matematika digabungkan dengan unsur budaya seperti bentuk-bentuk geometri yang bisa kita temukan di lokasi-lokasi budaya salah satunya Candi Prambanan. Hal ini membuka peluang bahwa penerapan etnomatematika Candi Prambanan dapat mempermudah proses belajar geometri. Media pembelajaran berupa Augmented Reality memiliki potensi untuk meningkatkan proses belajar menjadi lebih interaktif dimana siswa harus berpartisipasi jalannya materi serta media lama yang awalnya hanya gambar atau teks dapat diatasi dengan visualisasi dan ilustrasi. Dari uraian diatas dapat diketahui tujuan dari penelitian ini yaitu melibatkan unsur budaya yang saat ini mulai dilupakan, diterapkan pembelajaran etnomatematika. Kedua yaitu mengatasi media sebelumnya yang hanya berupa teks dan gambar pada buku, dengan teknologi Augmented Reality yang dapat memvisualisasikan dan mengilustrasikan objek geometri dalam bentuk 3D. Metode penelitian yang akan digunakan yaitu metode Waterfall. Hasil yang akan diciptakan yaitu berupa aplikasi media pembelajaran Augmented Reality pada android yang didalamnya akan mempelajari mengenai matematika materi geometri pada siswa SMP serta dilengkapi dengan kuis dan game sederhana yang interaktif. Hasil penelitian yang dilakukan mendapatkan yaitu uji aspek tampilan dan animasi dengan hasil perhitungan skala likert 85,17% tergolong pada kategori sangat baik serta uji aspek kebutuhan materi dengan hasil perhitungan skala likert 87,6% tergolong pada kategori sangat baik.
Abstract
Math learning is material that has been studied since elementary school even up to the college level. Because of the closeness of math to our lives, there is a concept, namely ethnomathematics, where math learning is combined with cultural elements such as geometric shapes that we can find in cultural locations, one of which is Prambanan Temple. This opens up opportunities that the application of Prambanan Temple ethnomathematics can facilitate the geometry learning process. Learning media in the form of Augmented Reality has the potential to improve the learning process to be more interactive where students must participate in the course of the material and old media that was originally only images or text can be overcome with visualization and illustration. The research method that will be used is the Waterfall method. The results will be created in the form of Augmented Reality learning media applications on android in which it will learn about mathematics geometry material in junior high school students and equipped with quizzes and simple interactive games. The results of the research conducted get the display and animation aspect test with the results of the Likert scale calculation of 85.17% classified in the very good category and the test aspect of the material needs with the results of the Likert scale calculation of 87.6% classified in the very good category
Analisis Penerimaan Pengguna Learning Management System (LMS) BRONE di Universitas Brawijaya berdasarkan Model Unified Theory of Acceptance and Use of Technology (UTAUT)
Get PDFDalam era perkembangan teknologi informasi, metode baru dalam pembelajaran telah muncul, memberikan perspektif berbeda terhadap konsep pendidikan. Universitas Brawijaya merespon dengan menerapkan LMS BRONE, platform pembelajaran daring berbasis Moodle. Namun, pengguna masih mengeluhkan beberapa masalah seperti harus login berkali-kali, pengingat tenggat waktu tugas yang tidak konsisten, dan tampilan yang tidak efisien. Populasi ditetapkan sebagai mahasiswa Universitas Brawijaya S1 dan Diploma yang pernah menggunakan LMS BRONE dalam proses pembelajaran. Metode penelitian yang diaplikasikan yaitu kuantitatif dengan pengumpulan data melalui penyebaran kuesioner dengan teknik purposive sampling kepada mahasiswa Universitas Brawijaya dan berhasil mendapatkan 194 responden. Penelitian ini menggunakan model Unified Theory of Acceptance and Use of Technology (UTAUT) untuk mengeksplorasi faktor-faktor yang mempengaruhi penerimaan pengguna terhadap LMS BRONE di Universitas Brawijaya. Hasil analisis data menggunakan PLS-SEM dengan alat bantu SmartPLS menunjukkan bahwa lima hipotesis diterima. Dari analisis jalur, dapat disimpulkan bahwa Performance Expectancy, Effort Expectancy, dan Social Influence memiliki pengaruh signifikan terhadap Behavioral Intention, sementara Facilitating Conditions tidak berpengaruh signifikan terhadap Behavioral Intention, tetapi berpengaruh signifikan terhadap Use Behavior. Behavioral Intention juga berpengaruh signifikan terhadap Use Behavior. Hasil penelitian ini mendukung teori UTAUT dan memberikan wawasan penting tentang penerimaan pengguna LMS BRONE di Universitas Brawijaya. Secara keseluruhan, penerimaan pengguna terhadap LMS BRONE di Universitas Brawijaya dapat dikategorikan positif. LMS BRONE memudahkan aksesibilitas materi, pengumpulan tugas, dan membantu dalam manajemen waktu. Namun, diperlukan perbaikan dalam konsistensi penggunaan oleh dosen dan optimalisasi fitur untuk perangkat mobile. Upaya sosialisasi dan pelatihan penggunaan LMS BRONE juga diperlukan agar adopsi sistem ini lebih optimal di kalangan pengguna.
Abstract
In the era of information technology development, new learning methods have emerged, offering different perspectives on educational concepts. Universitas Brawijaya has responded by implementing BRONE LMS, an online learning platform based on Moodle. However, users have reported several issues such as the need to log in repeatedly, inconsistent task deadline reminders, and an inefficient interface. The population was defined as undergraduate and diploma students at Universitas Brawijaya who had used the BRONE LMS in the learning process. The research applied a quantitative method by collecting data through a questionnaire distributed via purposive sampling to Universitas Brawijaya students, resulting in 194 respondents. This study utilized the Unified Theory of Acceptance and Use of Technology (UTAUT) model to explore the factors influencing user acceptance of the BRONE LMS at Universitas Brawijaya. The data analysis, conducted using PLS-SEM with SmartPLS software, showed that five hypotheses were supported. From the path analysis, it was concluded that Performance Expectancy, Effort Expectancy, and Social Influence had a significant impact on Behavioral Intention, while Facilitating Conditions did not significantly affect Behavioral Intention but did significantly influence Use Behavior. Behavioral Intention also had a significant impact on Use Behavior. The results of this study support the UTAUT theory and provide valuable insights into user acceptance of the BRONE LMS at Universitas Brawijaya. Overall, user acceptance of the BRONE LMS at Universitas Brawijaya can be categorized as positive. The BRONE LMS facilitates access to materials, assignment submissions, and helps with time management. However, improvements are needed in the consistency of use by lecturers and optimization of features for mobile devices. Efforts in socialization and training for the use of the BRONE LMS are also necessary to enhance system adoption among users.Dalam era perkembangan teknologi informasi, metode baru dalam pembelajaran telah muncul, memberikan perspektif berbeda terhadap konsep pendidikan. Universitas Brawijaya merespon dengan menerapkan LMS BRONE, platform pembelajaran daring berbasis Moodle. Namun, pengguna masih mengeluhkan beberapa masalah seperti harus login berkali-kali, pengingat tenggat waktu tugas yang tidak konsisten, dan tampilan yang tidak efisien. Populasi ditetapkan sebagai mahasiswa Universitas Brawijaya S1 dan Diploma yang pernah menggunakan LMS BRONE dalam proses pembelajaran. Metode penelitian yang diaplikasikan yaitu kuantitatif dengan pengumpulan data melalui penyebaran kuesioner dengan teknik purposive sampling kepada mahasiswa Universitas Brawijaya dan berhasil mendapatkan 194 responden. Penelitian ini menggunakan model Unified Theory of Acceptance and Use of Technology (UTAUT) untuk mengeksplorasi faktor-faktor yang mempengaruhi penerimaan pengguna terhadap LMS BRONE di Universitas Brawijaya. Hasil analisis data menggunakan PLS-SEM dengan alat bantu SmartPLS menunjukkan bahwa lima hipotesis diterima. Dari analisis jalur, dapat disimpulkan bahwa Performance Expectancy, Effort Expectancy, dan Social Influence memiliki pengaruh signifikan terhadap Behavioral Intention, sementara Facilitating Conditions tidak berpengaruh signifikan terhadap Behavioral Intention, tetapi berpengaruh signifikan terhadap Use Behavior. Behavioral Intention juga berpengaruh signifikan terhadap Use Behavior. Hasil penelitian ini mendukung teori UTAUT dan memberikan wawasan penting tentang penerimaan pengguna LMS BRONE di Universitas Brawijaya. Secara keseluruhan, penerimaan pengguna terhadap LMS BRONE di Universitas Brawijaya dapat dikategorikan positif. LMS BRONE memudahkan aksesibilitas materi, pengumpulan tugas, dan membantu dalam manajemen waktu. Namun, diperlukan perbaikan dalam konsistensi penggunaan oleh dosen dan optimalisasi fitur untuk perangkat mobile. Upaya sosialisasi dan pelatihan penggunaan LMS BRONE juga diperlukan agar adopsi sistem ini lebih optimal di kalangan pengguna.
Abstract
In the era of information technology development, new learning methods have emerged, offering different perspectives on educational concepts. Universitas Brawijaya has responded by implementing BRONE LMS, an online learning platform based on Moodle. However, users have reported several issues such as the need to log in repeatedly, inconsistent task deadline reminders, and an inefficient interface. The population was defined as undergraduate and diploma students at Universitas Brawijaya who had used the BRONE LMS in the learning process. The research applied a quantitative method by collecting data through a questionnaire distributed via purposive sampling to Universitas Brawijaya students, resulting in 194 respondents. This study utilized the Unified Theory of Acceptance and Use of Technology (UTAUT) model to explore the factors influencing user acceptance of the BRONE LMS at Universitas Brawijaya. The data analysis, conducted using PLS-SEM with SmartPLS software, showed that five hypotheses were supported. From the path analysis, it was concluded that Performance Expectancy, Effort Expectancy, and Social Influence had a significant impact on Behavioral Intention, while Facilitating Conditions did not significantly affect Behavioral Intention but did significantly influence Use Behavior. Behavioral Intention also had a significant impact on Use Behavior. The results of this study support the UTAUT theory and provide valuable insights into user acceptance of the BRONE LMS at Universitas Brawijaya. Overall, user acceptance of the BRONE LMS at Universitas Brawijaya can be categorized as positive. The BRONE LMS facilitates access to materials, assignment submissions, and helps with time management. However, improvements are needed in the consistency of use by lecturers and optimization of features for mobile devices. Efforts in socialization and training for the use of the BRONE LMS are also necessary to enhance system adoption among users
Deteksi Informasi Sensitif dalam Dokumen Teks di Sektor Jasa Keuangan dengan Model CNN Berbasis TF-IDF dan TF-RF
Get PDFPenelitian ini berfokus pada pengembangan model pembelajaran mesin untuk mendeteksi informasi sensitif dalam dokumen teks di industri jasa keuangan. Masalah utama yang diidentifikasi adalah potensi penyalahgunaan informasi oleh karyawan yang mengundurkan diri, keterbatasan metode deteksi tradisional, dan kebutuhan akan model pembelajaran mesin yang efektif. Ruang lingkup penelitian mencakup pengembangan model Convolutional Neural Networks (CNN) dengan metode pembobotan Term Frequency-Inverse Document Frequency (TF-IDF) dan Term Frequency-Relevance Frequency (TF-RF). Penelitian menggunakan pendekatan kuantitatif dan eksperimental, dengan tahapan pengumpulan data, pra-pemrosesan, penerapan pembobotan, pelatihan dan evaluasi model, serta validasi hasil. Data terdiri dari dokumen teks perusahaan jasa keuangan seperti laporan keuangan dan data nasabah. Pra-pemrosesan dilakukan untuk menghilangkan noise dan informasi tidak relevan, diikuti oleh metode pembobotan untuk memberi bobot pada kata-kata penting. Model CNN dilatih untuk mendeteksi pola yang menunjukkan informasi sensitif. Hasil penelitian menunjukkan metode TF-IDF lebih baik daripada TF-RF dalam mendeteksi informasi sensitif, dengan akurasi tertinggi 93,26%. Model CNN mampu mengenali pola kompleks dan mendeteksi informasi sensitif dengan akurasi tinggi. Evaluasi dengan akurasi, presisi, recall, dan f1-score menunjukkan bahwa model ini dapat diandalkan dan diaplikasikan dalam situasi nyata. Penelitian ini berkontribusi pada keamanan informasi dan penerapan pembobotan dalam meningkatkan kinerja model pembelajaran mesin.
Abstract
This research focuses on the development of a machine learning model to detect sensitive information in text documents within the financial services industry. The main issues identified are the potential misuse of information by employees who resign, the limitations of traditional detection methods, and the need for an effective machine learning model. The scope of the research includes the development of a Convolutional Neural Networks (CNN) model with Term Frequency-Inverse Document Frequency (TF-IDF) and Term Frequency-Relevance Frequency (TF-RF) weighting methods. The study employs a quantitative and experimental approach, with stages including data collection, preprocessing, application of weighting methods, model training and evaluation, and result validation. The data consists of text documents from financial services companies such as financial reports and customer data. Preprocessing was carried out to remove noise and irrelevant information, followed by the application of weighting methods to assign importance to significant words. The CNN model was trained to detect patterns indicating sensitive information. The results show that the TF-IDF method performed better than TF-RF in detecting sensitive information, with the highest accuracy of 93.26%. The CNN model was able to recognize complex patterns and detect sensitive information with high accuracy. Evaluation using accuracy, precision, recall, and f1-score demonstrates that this model is reliable and applicable in real-world situations. This research contributes to information security and the use of weighting methods to improve the performance of machine learning models.Penelitian ini berfokus pada pengembangan model pembelajaran mesin untuk mendeteksi informasi sensitif dalam dokumen teks di industri jasa keuangan. Masalah utama yang diidentifikasi adalah potensi penyalahgunaan informasi oleh karyawan yang mengundurkan diri, keterbatasan metode deteksi tradisional, dan kebutuhan akan model pembelajaran mesin yang efektif. Ruang lingkup penelitian mencakup pengembangan model Convolutional Neural Networks (CNN) dengan metode pembobotan Term Frequency-Inverse Document Frequency (TF-IDF) dan Term Frequency-Relevance Frequency (TF-RF). Penelitian menggunakan pendekatan kuantitatif dan eksperimental, dengan tahapan pengumpulan data, pra-pemrosesan, penerapan pembobotan, pelatihan dan evaluasi model, serta validasi hasil. Data terdiri dari dokumen teks perusahaan jasa keuangan seperti laporan keuangan dan data nasabah. Pra-pemrosesan dilakukan untuk menghilangkan noise dan informasi tidak relevan, diikuti oleh metode pembobotan untuk memberi bobot pada kata-kata penting. Model CNN dilatih untuk mendeteksi pola yang menunjukkan informasi sensitif. Hasil penelitian menunjukkan metode TF-IDF lebih baik daripada TF-RF dalam mendeteksi informasi sensitif, dengan akurasi tertinggi 93,26%. Model CNN mampu mengenali pola kompleks dan mendeteksi informasi sensitif dengan akurasi tinggi. Evaluasi dengan akurasi, presisi, recall, dan f1-score menunjukkan bahwa model ini dapat diandalkan dan diaplikasikan dalam situasi nyata. Penelitian ini berkontribusi pada keamanan informasi dan penerapan pembobotan dalam meningkatkan kinerja model pembelajaran mesin.
Abstract
This research focuses on the development of a machine learning model to detect sensitive information in text documents within the financial services industry. The main issues identified are the potential misuse of information by employees who resign, the limitations of traditional detection methods, and the need for an effective machine learning model. The scope of the research includes the development of a Convolutional Neural Networks (CNN) model with Term Frequency-Inverse Document Frequency (TF-IDF) and Term Frequency-Relevance Frequency (TF-RF) weighting methods. The study employs a quantitative and experimental approach, with stages including data collection, preprocessing, application of weighting methods, model training and evaluation, and result validation. The data consists of text documents from financial services companies such as financial reports and customer data. Preprocessing was carried out to remove noise and irrelevant information, followed by the application of weighting methods to assign importance to significant words. The CNN model was trained to detect patterns indicating sensitive information. The results show that the TF-IDF method performed better than TF-RF in detecting sensitive information, with the highest accuracy of 93.26%. The CNN model was able to recognize complex patterns and detect sensitive information with high accuracy. Evaluation using accuracy, precision, recall, and f1-score demonstrates that this model is reliable and applicable in real-world situations. This research contributes to information security and the use of weighting methods to improve the performance of machine learning models
Analisis Perbandingan Model Machine Learning Tree-Based dan Non-Tree-Based untuk Tugas Klasifikasi
Get PDFPenelitian ini membahas perbandingan performa model machine learning berbasis pohon keputusan (Tree-Based) dan non-pohon keputusan (Non-Tree-Based) dalam tugas klasifikasi. Model Tree-based yang diuji meliputi LightGBM, CatBoost, XGBoost, dan Random Forest, sedangkan model Non-tree-based meliputi SVM, KNN, dan GaussianNB. Evaluasi dilakukan pada tiga dataset berbeda, yaitu Spaceship Titanic, Horse Health, dan Keep It Dry. Metrik yang digunakan untuk mengevaluasi performa model adalah AUC-ROC, akurasi, dan F1-score Micro. Hasil penelitian menunjukkan bahwa model berbasis pohon keputusan seperti CatBoost dan LightGBM umumnya memberikan performa yang lebih baik dibandingkan dengan model non-pohon keputusan. CatBoost khususnya menunjukkan hasil terbaik dalam hal akurasi, AUC-ROC, dan F1-score Micro di sebagian besar dataset yang diuji. Selain itu, penelitian ini juga menyoroti pentingnya pemilihan model yang tepat berdasarkan karakteristik dataset yang digunakan. Faktor-faktor seperti kompleksitas data, jumlah fitur, dan distribusi kelas sangat mempengaruhi hasil akhir dari setiap model yang diterapkan. Dengan demikian, temuan ini dapat membantu praktisi machine learning dalam memilih model yang paling sesuai untuk tugas klasifikasi tertentu.
Abstract
This study discusses the performance comparison of tree-based and non-tree-based machine learning models for classification tasks. The Tree-based models tested include LightGBM, CatBoost, XGBoost, and Random Forest, while the Non-tree-based models include SVM, KNN, and GaussianNB. The evaluation was conducted on three different datasets, namely Spaceship Titanic, Horse Health, and Keep It Dry. The metrics used to evaluate model performance are AUC-ROC, accuracy, and F1-score Micro. The results show that tree-based models such as CatBoost and LightGBM generally provide better performance compared to non-tree-based models. CatBoost, in particular, showed the best results in terms of accuracy, AUC-ROC, and F1-score Micro in most of the datasets tested. Additionally, this study highlights the importance of selecting the appropriate model based on the characteristics of the datasets used. Factors such as data complexity, number of features, and class distribution significantly affect the final results of each applied model. Thus, these findings can assist machine learning practitioners in choosing the most suitable model for specific classification tasks.Penelitian ini membahas perbandingan performa model machine learning berbasis pohon keputusan (Tree-Based) dan non-pohon keputusan (Non-Tree-Based) dalam tugas klasifikasi. Model Tree-based yang diuji meliputi LightGBM, CatBoost, XGBoost, dan Random Forest, sedangkan model Non-tree-based meliputi SVM, KNN, dan GaussianNB. Evaluasi dilakukan pada tiga dataset berbeda, yaitu Spaceship Titanic, Horse Health, dan Keep It Dry. Metrik yang digunakan untuk mengevaluasi performa model adalah AUC-ROC, akurasi, dan F1-score Micro. Hasil penelitian menunjukkan bahwa model berbasis pohon keputusan seperti CatBoost dan LightGBM umumnya memberikan performa yang lebih baik dibandingkan dengan model non-pohon keputusan. CatBoost khususnya menunjukkan hasil terbaik dalam hal akurasi, AUC-ROC, dan F1-score Micro di sebagian besar dataset yang diuji. Selain itu, penelitian ini juga menyoroti pentingnya pemilihan model yang tepat berdasarkan karakteristik dataset yang digunakan. Faktor-faktor seperti kompleksitas data, jumlah fitur, dan distribusi kelas sangat mempengaruhi hasil akhir dari setiap model yang diterapkan. Dengan demikian, temuan ini dapat membantu praktisi machine learning dalam memilih model yang paling sesuai untuk tugas klasifikasi tertentu.
Abstract
This study discusses the performance comparison of tree-based and non-tree-based machine learning models for classification tasks. The Tree-based models tested include LightGBM, CatBoost, XGBoost, and Random Forest, while the Non-tree-based models include SVM, KNN, and GaussianNB. The evaluation was conducted on three different datasets, namely Spaceship Titanic, Horse Health, and Keep It Dry. The metrics used to evaluate model performance are AUC-ROC, accuracy, and F1-score Micro. The results show that tree-based models such as CatBoost and LightGBM generally provide better performance compared to non-tree-based models. CatBoost, in particular, showed the best results in terms of accuracy, AUC-ROC, and F1-score Micro in most of the datasets tested. Additionally, this study highlights the importance of selecting the appropriate model based on the characteristics of the datasets used. Factors such as data complexity, number of features, and class distribution significantly affect the final results of each applied model. Thus, these findings can assist machine learning practitioners in choosing the most suitable model for specific classification tasks
Meningkatkan Dataset CodeXGLUE dengan Representasi Abstract Syntax Tree (AST) Ter Seragam untuk Analisis Kode Lintas Bahasa
Get PDFDataset kode sumber populer seperti CodeXGLUE belum menyediakan representasi sintaksis yang diseragamkan untuk penelitian lintas bahasa pemrograman. Hal ini akan menyulitkan saat dilakukan penelitian yang berkaitan dengan analisis syntax-aware. Penelitian ini menyediakan representasi sintaksis yang diseragamkan untuk memperkaya dataset CodeXGLUE. Kami menghadirkan dataset CodeXGLUE-AST (Abstract Syntax Tree) seragam untuk enam bahasa pemrograman: Go, Java, JavaScript, Python, Ruby, dan PHP. AST diekstraksi menggunakan Tree-sitter dan disimpan dalam format JSON terstruktur. Untuk menjaga konsistensi antar bahasa, kemudian dilakukan klasifikasi dan pemetaan tipe node guna menyatukan representasi struktur AST. Evaluasi dataset menggunakan analisis kelengkapan struktur AST, pengukuran akurasi rekonstruksi kode menggunakan skor BLEU, serta pengujian ekstraksi Data Flow Graph (DFG) untuk menjaga ketergantungan antar variabel. Selain itu juga dilakukan pengujian pada tugas peringkasan kode menggunakan model CodeT5 yang menunjukkan peningkatan nilai BLEU, METEOR, ROUGE dan ROUGE-L hampir disemua percobaan saat menggunakan AST yang diseragamkan. Dengan representasi AST yang telah diseragamkan, diharapkan pengembangan model ML multi bahasa yang lebih andal dan sadar sintaksis untuk tugas-tugas seperti klasifikasi kode, pembuatan ringkasan kode, dan rekonstruksi program akan menjadi lebih berkembang.
Abstract
Popular source code datasets like CodeXGLUE have not yet provided a standardized syntactic representation for cross-programming language research. This data gap will complicate research related to syntax-aware analysis. This research provides a standardized syntactic representation to enrich the CodeXGLUE dataset. We present a uniform CodeXGLUE-AST (Abstract Syntax Tree) dataset for six programming languages: Go, Java, JavaScript, Python, Ruby, and PHP. The AST is extracted using Tree-sitter and stored in a structured JSON format. To maintain consistency across languages, classification and mapping of node types were then performed to unify the AST structure representation. The dataset evaluation used AST structure completeness analysis, code reconstruction accuracy measurement using BLEU scores, and Data Flow Graph (DFG) extraction testing to maintain variable dependencies. Additionally, testing was conducted on the code summarization task using the CodeT5 model, which showed an increase in BLEU, METEOR, ROUGE, and ROUGE-L scores in almost all experiments when using the standardized AST. With the standardized AST representation, it is hoped that the development of more reliable and syntax-aware multilingual ML models for tasks such as code classification, code summarization, and program reconstruction will become more advanced.Dataset kode sumber populer seperti CodeXGLUE belum menyediakan representasi sintaksis yang diseragamkan untuk penelitian lintas bahasa pemrograman. Hal ini akan menyulitkan saat dilakukan penelitian yang berkaitan dengan analisis syntax-aware. Penelitian ini menyediakan representasi sintaksis yang diseragamkan untuk memperkaya dataset CodeXGLUE. Kami menghadirkan dataset CodeXGLUE-AST (Abstract Syntax Tree) seragam untuk enam bahasa pemrograman: Go, Java, JavaScript, Python, Ruby, dan PHP. AST diekstraksi menggunakan Tree-sitter dan disimpan dalam format JSON terstruktur. Untuk menjaga konsistensi antar bahasa, kemudian dilakukan klasifikasi dan pemetaan tipe node guna menyatukan representasi struktur AST. Evaluasi dataset menggunakan analisis kelengkapan struktur AST, pengukuran akurasi rekonstruksi kode menggunakan skor BLEU, serta pengujian ekstraksi Data Flow Graph (DFG) untuk menjaga ketergantungan antar variabel. Selain itu juga dilakukan pengujian pada tugas peringkasan kode menggunakan model CodeT5 yang menunjukkan peningkatan nilai BLEU, METEOR, ROUGE dan ROUGE-L hampir disemua percobaan saat menggunakan AST yang diseragamkan. Dengan representasi AST yang telah diseragamkan, diharapkan pengembangan model ML multi bahasa yang lebih andal dan sadar sintaksis untuk tugas-tugas seperti klasifikasi kode, pembuatan ringkasan kode, dan rekonstruksi program akan menjadi lebih berkembang.
Abstract
Popular source code datasets like CodeXGLUE have not yet provided a standardized syntactic representation for cross-programming language research. This data gap will complicate research related to syntax-aware analysis. This research provides a standardized syntactic representation to enrich the CodeXGLUE dataset. We present a uniform CodeXGLUE-AST (Abstract Syntax Tree) dataset for six programming languages: Go, Java, JavaScript, Python, Ruby, and PHP. The AST is extracted using Tree-sitter and stored in a structured JSON format. To maintain consistency across languages, classification and mapping of node types were then performed to unify the AST structure representation. The dataset evaluation used AST structure completeness analysis, code reconstruction accuracy measurement using BLEU scores, and Data Flow Graph (DFG) extraction testing to maintain variable dependencies. Additionally, testing was conducted on the code summarization task using the CodeT5 model, which showed an increase in BLEU, METEOR, ROUGE, and ROUGE-L scores in almost all experiments when using the standardized AST. With the standardized AST representation, it is hoped that the development of more reliable and syntax-aware multilingual ML models for tasks such as code classification, code summarization, and program reconstruction will become more advanced