Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Faktor yang Memengaruhi Penggunaan Platform Merdeka Mengajar Terhadap Peningkatan Kompetensi Guru SMP di Kabupaten Ponorogo
Get PDFKurikulum Merdeka yang diluncurkan pada 2022 didukung oleh Platform Merdeka Mengajar untuk membantu guru memahami kurikulum secara mandiri dan meningkatkan kompetensi. Namun, implementasinya di Kabupaten Ponorogo, terutama di Sekolah Penggerak jenjang SMP, menghadapi kendala seperti keterbatasan waktu, hambatan teknologi, dan rendahnya pemanfaatan fitur. Penelitian ini menganalisis faktor-faktor yang memengaruhi penerimaan dan penggunaan platform tersebut dengan pendekatan kuantitatif melalui kuesioner kepada 164 guru SMP Sekolah Penggerak di Kabupaten Ponorogo. Model UTAUT2 diterapkan dengan tambahan variabel convenience from online access dan resistance to change serta moderasi. Hasil analisis data menggunakan PLS-SEM dengan alat bantu SmartPLS menyatakan bahwa habit (β=0.511, p=0.000), hedonic motivation (β=0.302, p=0.008), dan convenience from online access (β=0.177, p=0.018) berpengaruh signifikan terhadap behavioral intention, sementara behavioral intention (β=0.401, p=0.000) dan habit (β=0.236, p=0.029) berpengaruh signifikan terhadap use behavior. Hasil analisis moderasi menunjukkan bahwa jenis kelamin memperlemah (β=-0.258, p=0.008) hedonic motivation dengan behavioral intention dan memperkuat (β=0.240, p=0.001) habit dengan behavioral intention. Sementara itu, pengalaman memperlemah (β=-0.202, p=0.006) habit dengan use behavior. Penelitian ini merekomendasikan optimalisasi platform untuk mendukung kompetensi guru dan keberhasilan Kurikulum Merdeka.
Abstract
The Merdeka Curriculum, launched in 2022, is supported by the Merdeka Mengajar Platform to help teachers independently understand the curriculum and enhance their competencies. However, its implementation in Ponorogo Regency, especially in Pioneer Schools at the junior high school level, faces challenges such as time constraints, technological barriers, and low feature utilization. This study analyzes factors influencing the acceptance and use of the platform through a quantitative approach, using questionnaires distributed to 164 junior high school teachers in Pioneer Schools in Ponorogo Regency. The UTAUT2 model was applied with additional variables: convenience from online access and resistance to change, along with moderation analysis. Data analysis using PLS-SEM with SmartPLS revealed that habit (β=0.511, p=0.000), hedonic motivation (β=0.302, p=0.008), and convenience from online access (β=0.177, p=0.018) significantly influence behavioral intention, while behavioral intention (β=0.401, p=0.000) and habit (β=0.236, p=0.029) significantly influence use behavior. Moderation analysis showed that gender weakens (β=-0.258, p=0.008) the relationship between hedonic motivation and behavioral intention, while strengthening (β=0.240, p=0.001) the relationship between habit and behavioral intention. Meanwhile, experience weakens (β=-0.202, p=0.006) the relationship between habit and use behavior. This study recommends optimizing the platform to support teacher competencies and ensure the success of the Merdeka Curriculum.Kurikulum Merdeka yang diluncurkan pada 2022 didukung oleh Platform Merdeka Mengajar untuk membantu guru memahami kurikulum secara mandiri dan meningkatkan kompetensi. Namun, implementasinya di Kabupaten Ponorogo, terutama di Sekolah Penggerak jenjang SMP, menghadapi kendala seperti keterbatasan waktu, hambatan teknologi, dan rendahnya pemanfaatan fitur. Penelitian ini menganalisis faktor-faktor yang memengaruhi penerimaan dan penggunaan platform tersebut dengan pendekatan kuantitatif melalui kuesioner kepada 164 guru SMP Sekolah Penggerak di Kabupaten Ponorogo. Model UTAUT2 diterapkan dengan tambahan variabel convenience from online access dan resistance to change serta moderasi. Hasil analisis data menggunakan PLS-SEM dengan alat bantu SmartPLS menyatakan bahwa habit (β=0.511, p=0.000), hedonic motivation (β=0.302, p=0.008), dan convenience from online access (β=0.177, p=0.018) berpengaruh signifikan terhadap behavioral intention, sementara behavioral intention (β=0.401, p=0.000) dan habit (β=0.236, p=0.029) berpengaruh signifikan terhadap use behavior. Hasil analisis moderasi menunjukkan bahwa jenis kelamin memperlemah (β=-0.258, p=0.008) hedonic motivation dengan behavioral intention dan memperkuat (β=0.240, p=0.001) habit dengan behavioral intention. Sementara itu, pengalaman memperlemah (β=-0.202, p=0.006) habit dengan use behavior. Penelitian ini merekomendasikan optimalisasi platform untuk mendukung kompetensi guru dan keberhasilan Kurikulum Merdeka.
Abstract
The Merdeka Curriculum, launched in 2022, is supported by the Merdeka Mengajar Platform to help teachers independently understand the curriculum and enhance their competencies. However, its implementation in Ponorogo Regency, especially in Pioneer Schools at the junior high school level, faces challenges such as time constraints, technological barriers, and low feature utilization. This study analyzes factors influencing the acceptance and use of the platform through a quantitative approach, using questionnaires distributed to 164 junior high school teachers in Pioneer Schools in Ponorogo Regency. The UTAUT2 model was applied with additional variables: convenience from online access and resistance to change, along with moderation analysis. Data analysis using PLS-SEM with SmartPLS revealed that habit (β=0.511, p=0.000), hedonic motivation (β=0.302, p=0.008), and convenience from online access (β=0.177, p=0.018) significantly influence behavioral intention, while behavioral intention (β=0.401, p=0.000) and habit (β=0.236, p=0.029) significantly influence use behavior. Moderation analysis showed that gender weakens (β=-0.258, p=0.008) the relationship between hedonic motivation and behavioral intention, while strengthening (β=0.240, p=0.001) the relationship between habit and behavioral intention. Meanwhile, experience weakens (β=-0.202, p=0.006) the relationship between habit and use behavior. This study recommends optimizing the platform to support teacher competencies and ensure the success of the Merdeka Curriculum.
Pengembangan dan Validasi Instrumen Kuesioner pada Model Evaluasi Game Digital Meega+ dengan Exploratory Factor Analysis (EFA) dan Cronbach’s Alpha
Get PDFKemajuan pesat teknologi Game Edukasi Digital (DEG) berimbas pada meningkatnya kebutuhan evaluasi terhadap game edukasi yang lebih reliabel (dapat diandalkan). Model evaluasi MEEGA+ saat ini masih memiliki keterbatasan dalam hal aspek control dan feedback yang memiliki dampak pada nilai hasil evaluasi. Penelitian ini bertujuan untuk mengembangkan dan memvalidasi instrumen kuesioner MEEGA+ yang berbasis pada pendekatan statistik, termasuk Exploratory Factor Analysis (EFA) dan Cronbach’s Alpha, untuk meningkatkan keandalan dan validitas evaluasi DEG. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan desain survei eksplanatori. Instrumen dikembangkan berdasarkan model MEEGA+ yang dimodifikasi, kemudian diuji melalui penyebaran kuesioner daring kepada responden. Studi kasus dilakukan pada game edukasi Minecraft dan Duolingo melalui survei secara daring dengan melibatkan 1.200 siswa SMA yang tersebar di seluruh wilayah Indonesia. Data yang terkumpul dianalisis menggunakan teknik Exploratory Factor Analysis (EFA) untuk mengidentifikasi struktur faktor, dan dilanjutkan dengan pengujian reliabilitas menggunakan nilai Cronbach’s Alpha pada berbagai variasi jumlah butir pertanyaan. Analisis dilakukan melalui variasi kombinasi pertanyaan (sebanyak 1, 2, dan 3 butir). Hasil penelitian kemudian menunjukkan bahwa kuesioner dengan hanya 2 butir pertanyaan (a dan b) ternyata menghasilkan reliabilitas tertinggi dengan nilai Cronbach’s Alpha sebesar 0,903 untuk game edukasi Minecraft dan 0,913 untuk game edukasi bahasa Duolingo. Hasil ini tentu saja melampaui nilai Cronbach’s Alpha model MEEGA+ saat ini yaitu hanya sebesar 0,866. Temuan ini memberikan kontribusi dalam pengembangan instrument alat evaluasi MEEGA+, sekaligus juga mencerminkan kebaruan dalam pendekatan yang digunakan. Instrumen temuan ini diharapkan mampu menjadi alat evaluasi yang lebih relevan dan signifikan untuk mendukung peningkatan kualitas DEG dalam pendidikan modern saat ini dan kedepannya nanti.
Abstract
The rapid advancement of Digital Educational Game (DEG) technology has resulted in the increasing need for more reliable evaluation of educational games. The current MEEGA+ evaluation model still has limitations regarding control and feedback aspects that impact the evaluation result value. This study aims to develop and validate the MEEGA+ questionnaire instrument based on a statistical approach, including Exploratory Factor Analysis (EFA) and Cronbach\u27s Alpha, to improve the reliability and validity of the DEG evaluation. The research method used is a quantitative approach with an explanatory survey design. The instrument was developed based on the modified MEEGA+ model, then tested through the distribution of online questionnaires to respondents. The case study was conducted on Minecraft and Duolingo educational games through an online survey involving 1,200 high school students spread throughout Indonesia. The collected data was analyzed using the Exploratory Factor Analysis (EFA) technique to identify the factor structure and continued with reliability testing using Cronbach\u27s Alpha values on various variations in the number of questions. The analysis was done through various question combinations (as many as 1, 2, and 3 items). The study results then showed that the questionnaire with only two questions (a and b) produced the highest reliability with a Cronbach\u27s Alpha value of 0.903 for the Minecraft educational game and 0.913 for the Duolingo language educational game. These results certainly exceed the Cronbach\u27s Alpha value of the current MEEGA+ model, which is only 0.866. These findings contribute to developing the MEEGA+ evaluation tool instrument while also reflecting the novelty of the approach used. It is anticipated that the results of this instrument will be a more pertinent and important assessment tool to help raise the standard of DEG in contemporary education both now and in the future.
Kemajuan pesat teknologi Game Edukasi Digital (DEG) berimbas pada meningkatnya kebutuhan evaluasi terhadap game edukasi yang lebih reliabel (dapat diandalkan). Model evaluasi MEEGA+ saat ini masih memiliki keterbatasan dalam hal aspek control dan feedback yang memiliki dampak pada nilai hasil evaluasi. Penelitian ini bertujuan untuk mengembangkan dan memvalidasi instrumen kuesioner MEEGA+ yang berbasis pada pendekatan statistik, termasuk Exploratory Factor Analysis (EFA) dan Cronbach’s Alpha, untuk meningkatkan keandalan dan validitas evaluasi DEG. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan desain survei eksplanatori. Instrumen dikembangkan berdasarkan model MEEGA+ yang dimodifikasi, kemudian diuji melalui penyebaran kuesioner daring kepada responden. Studi kasus dilakukan pada game edukasi Minecraft dan Duolingo melalui survei secara daring dengan melibatkan 1.200 siswa SMA yang tersebar di seluruh wilayah Indonesia. Data yang terkumpul dianalisis menggunakan teknik Exploratory Factor Analysis (EFA) untuk mengidentifikasi struktur faktor, dan dilanjutkan dengan pengujian reliabilitas menggunakan nilai Cronbach’s Alpha pada berbagai variasi jumlah butir pertanyaan. Analisis dilakukan melalui variasi kombinasi pertanyaan (sebanyak 1, 2, dan 3 butir). Hasil penelitian kemudian menunjukkan bahwa kuesioner dengan hanya 2 butir pertanyaan (a dan b) ternyata menghasilkan reliabilitas tertinggi dengan nilai Cronbach’s Alpha sebesar 0,903 untuk game edukasi Minecraft dan 0,913 untuk game edukasi bahasa Duolingo. Hasil ini tentu saja melampaui nilai Cronbach’s Alpha model MEEGA+ saat ini yaitu hanya sebesar 0,866. Temuan ini memberikan kontribusi dalam pengembangan instrument alat evaluasi MEEGA+, sekaligus juga mencerminkan kebaruan dalam pendekatan yang digunakan. Instrumen temuan ini diharapkan mampu menjadi alat evaluasi yang lebih relevan dan signifikan untuk mendukung peningkatan kualitas DEG dalam pendidikan modern saat ini dan kedepannya nanti.
Abstract
The rapid advancement of Digital Educational Game (DEG) technology has resulted in the increasing need for more reliable evaluation of educational games. The current MEEGA+ evaluation model still has limitations regarding control and feedback aspects that impact the evaluation result value. This study aims to develop and validate the MEEGA+ questionnaire instrument based on a statistical approach, including Exploratory Factor Analysis (EFA) and Cronbach\u27s Alpha, to improve the reliability and validity of the DEG evaluation. The research method used is a quantitative approach with an explanatory survey design. The instrument was developed based on the modified MEEGA+ model, then tested through the distribution of online questionnaires to respondents. The case study was conducted on Minecraft and Duolingo educational games through an online survey involving 1,200 high school students spread throughout Indonesia. The collected data was analyzed using the Exploratory Factor Analysis (EFA) technique to identify the factor structure and continued with reliability testing using Cronbach\u27s Alpha values on various variations in the number of questions. The analysis was done through various question combinations (as many as 1, 2, and 3 items). The study results then showed that the questionnaire with only two questions (a and b) produced the highest reliability with a Cronbach\u27s Alpha value of 0.903 for the Minecraft educational game and 0.913 for the Duolingo language educational game. These results certainly exceed the Cronbach\u27s Alpha value of the current MEEGA+ model, which is only 0.866. These findings contribute to developing the MEEGA+ evaluation tool instrument while also reflecting the novelty of the approach used. It is anticipated that the results of this instrument will be a more pertinent and important assessment tool to help raise the standard of DEG in contemporary education both now and in the future.
Pemetaan Luasan Mangrove Menggunakan Algoritma Mangrove Vegetation Index (MVI) di Desa Kaliwlingi, Kabupaten Brebes, Jawa Tengah
Get PDFBerdasarkan penelitian sebelumnya, Pesisir Desa Kaliwlingi, Kabupaten Brebes mengalami abrasi sepanjang 7 km dengan luas 186 hektar atau 30% dari luas abrasi di Kabupaten Brebes. Hal tersebut diakibatkan oleh adanya konversi lahan mangrove menjadi tambak yang dapat merusak lahan pantai. Peningkatan abrasi setiap tahun mendorong masyarakat peduli lingkungan melakukan kegiatan konservasi lahan mangrove untuk mengurangi abrasi dan akresi, disepanjang pantai. Penelitian ini bertujuan untuk mengetahui nilai threshold yang memisahkan mangrove dengan non-mangrove dan luasan mangrove. Penelitian ini menggunakan data citra Sentinel-2A dan data lapang hasi survei. Data satelit diolah dan dianalisis menggunakan algoritma Mangrove Vegetation Index (MVI). Simple random sampling digunakan untuk menentukan pengambilan titik lapang yang digunakan sebagai acuan klasifikasi kelas mangrove dan non-mangrove dari citra satelit. Uji akurasi algoritma MVI menggunakan matriks konfusi, dan koefisien kappa. Hasil penelitian menunjukan jenis mangrove di sekitar 4 stasiun penelitian adalah Avicennia marina, Avicennia alba, dan Rhizophora mucronata. Hasil pemetaan menggunakan algoritma MVI menunjukkan nilai threshold MVI mangrove berkisar antara 2,3 hingga 19,54, sementara nilai non-mangrove adalah <2,3 dan >19,54. Luasan mangrove tahun 2022 sebesar 299,3 ha. Uji akurasi algoritma MVI menunjukkan hasil yang baik dengan akurasi keseluruhan sebesar 86,81% dan koefisien kappa sebesar 0,73.
Abstract
Based on previous research, Kaliwlingi Village Coastal, Brebes Regency experienced abrasion along 7 km with an area of 186 hectares or 30% of the abrasion area in Brebes Regency. It happened due to the conversion of mangrove land into ponds that can damage coastal land. The increase in abrasion every year encourages people to care about the environment to carry out mangrove land conservation activities to reduce abrasion and accretion, along the coastal. This study aims to determine threshold value that separates class between mangroves and non-mangrove area, then estimate the changing area of mangrove. This study used Sentinel-2A imagery datas and survey field data. Satellite data processed and analyzed, was using the Mangrove Vegetation Index (MVI) algorithm. Simple random sampling used to determine the selection of field points used as a reference for classifying mangrove and non-mangrove classes from satellite images. Test the accuracy of the MVI algorithm used a fusion matrix, and a kappa coefficient. The results showed that the types of mangroves around 4 research stations were Avicennia marina, Avicennia alba, and Rhizophora mucronata. The mapping results used the MVI algorithm showed that the threshold value of mangrove MVI ranged from 2,30 to 19,54, while non-mangrove values were <2,30 and >19,54. The area of mangroves in 2022 has 299,3 ha. The MVI algorithm accuracy test showed good results with an overall accuracy was 86,81% and a kappa coefficient was 0,73.Berdasarkan penelitian sebelumnya, Pesisir Desa Kaliwlingi, Kabupaten Brebes mengalami abrasi sepanjang 7 km dengan luas 186 hektar atau 30% dari luas abrasi di Kabupaten Brebes. Hal tersebut diakibatkan oleh adanya konversi lahan mangrove menjadi tambak yang dapat merusak lahan pantai. Peningkatan abrasi setiap tahun mendorong masyarakat peduli lingkungan melakukan kegiatan konservasi lahan mangrove untuk mengurangi abrasi dan akresi, disepanjang pantai. Penelitian ini bertujuan untuk mengetahui nilai threshold yang memisahkan mangrove dengan non-mangrove dan luasan mangrove. Penelitian ini menggunakan data citra Sentinel-2A dan data lapang hasi survei. Data satelit diolah dan dianalisis menggunakan algoritma Mangrove Vegetation Index (MVI). Simple random sampling digunakan untuk menentukan pengambilan titik lapang yang digunakan sebagai acuan klasifikasi kelas mangrove dan non-mangrove dari citra satelit. Uji akurasi algoritma MVI menggunakan matriks konfusi, dan koefisien kappa. Hasil penelitian menunjukan jenis mangrove di sekitar 4 stasiun penelitian adalah Avicennia marina, Avicennia alba, dan Rhizophora mucronata. Hasil pemetaan menggunakan algoritma MVI menunjukkan nilai threshold MVI mangrove berkisar antara 2,3 hingga 19,54, sementara nilai non-mangrove adalah <2,3 dan >19,54. Luasan mangrove tahun 2022 sebesar 299,3 ha. Uji akurasi algoritma MVI menunjukkan hasil yang baik dengan akurasi keseluruhan sebesar 86,81% dan koefisien kappa sebesar 0,73.
Abstract
Based on previous research, Kaliwlingi Village Coastal, Brebes Regency experienced abrasion along 7 km with an area of 186 hectares or 30% of the abrasion area in Brebes Regency. It happened due to the conversion of mangrove land into ponds that can damage coastal land. The increase in abrasion every year encourages people to care about the environment to carry out mangrove land conservation activities to reduce abrasion and accretion, along the coastal. This study aims to determine threshold value that separates class between mangroves and non-mangrove area, then estimate the changing area of mangrove. This study used Sentinel-2A imagery datas and survey field data. Satellite data processed and analyzed, was using the Mangrove Vegetation Index (MVI) algorithm. Simple random sampling used to determine the selection of field points used as a reference for classifying mangrove and non-mangrove classes from satellite images. Test the accuracy of the MVI algorithm used a fusion matrix, and a kappa coefficient. The results showed that the types of mangroves around 4 research stations were Avicennia marina, Avicennia alba, and Rhizophora mucronata. The mapping results used the MVI algorithm showed that the threshold value of mangrove MVI ranged from 2,30 to 19,54, while non-mangrove values were <2,30 and >19,54. The area of mangroves in 2022 has 299,3 ha. The MVI algorithm accuracy test showed good results with an overall accuracy was 86,81% and a kappa coefficient was 0,73
Kajian Data Mining untuk Klasifikasi Gender Menggunakan Data Wajah dengan Algoritma Naive Bayes dan K Nearest Neighbor (KNN)
No full textIdentifikasi gender saat ini lebih sulit dilakukan. Penyebabnya antara lain banyaknya klasifikasi gender, penggunaan identitas palsu di media sosial dan semakin maraknya foto palsu. Peristiwa nyata yang terjadi adalah banyaknya klasifikasi di negara Thailand yang memiliki 18 gender. Peristiwa lainnya adalah penambahan gender “X” pada aplikasi permohonan passport di Amerika dan beredarnya foto palsu yang diedit dengan aplikasi FaceApp. Kejadian tersebut menyebabkan perlunya membuat model yang bisa melakukan klasifikasi gender agar gender asli dari seseorang bisa diketahui. Penelitian dilakukan dengan mencari model yang bisa mengklasifikasikan gender. Caranya adalah dengan membandingkan hasil akurasi dua algoritma yaitu Naïve Bayes dan KNN (K Nearest Neighbor). Metode yang digunakan mengikuti tahapan dalam KDD (Knowledge Discovery in Database). Atribut yang dipakai adalah bagian-bagian pada wajah yaitu lebar dahi, lebar hidung, panjang hidung, bibir dan jarak hidung ke bibir. Akurasi kedua algoritma diuji dengan metode Cross Validation dan Confusion Matrix. Tujuan penelitian ini adalah memastikan apakah atribut wajah dapat digunakan untuk klasifikasi gender serta menentukan model yang lebih baik antara Naïve Bayes atau KNN. Hasil pengujian menunjukkan, kedua algoritma memiliki akurasi yang sangat baik. Namun algoritma Naïve Bayes memiliki nillai AUC yang lebih tinggi yaitu 0,996 dibanding algoritma KNN yang memiliki nilai AUC sebesar 0,992. Berdasarkan nilai tersebut, atribut bagian-bagian pada wajah yaitu lebar dahi, lebar hidung, panjang hidung, bibir dan jarak hidung ke bibir dapat digunakan untuk klasifiikasi gender, karena bisa menghasilkan akurasi yang baik. Namun, model Naïve Bayes lebih direkomendasikan karena nilai akurasinya lebih tinggi dan stabil. Identifikasi gender saat ini lebih sulit dilakukan. Penyebabnya antara lain banyaknya klasifikasi gender, penggunaan identitas palsu di media sosial dan semakin maraknya foto palsu. Peristiwa nyata yang terjadi adalah banyaknya klasifikasi di negara Thailand yang memiliki 18 gender. Peristiwa lainnya adalah penambahan gender “X” pada aplikasi permohonan passport di Amerika dan beredarnya foto palsu yang diedit dengan aplikasi FaceApp. Kejadian tersebut menyebabkan perlunya membuat model yang bisa melakukan klasifikasi gender agar gender asli dari seseorang bisa diketahui. Penelitian dilakukan dengan mencari model yang bisa mengklasifikasikan gender. Caranya adalah dengan membandingkan hasil akurasi dua algoritma yaitu Naïve Bayes dan KNN (K Nearest Neighbor). Metode yang digunakan mengikuti tahapan dalam KDD (Knowledge Discovery in Database). Atribut yang dipakai adalah bagian-bagian pada wajah yaitu lebar dahi, lebar hidung, panjang hidung, bibir dan jarak hidung ke bibir. Akurasi kedua algoritma diuji dengan metode Cross Validation dan Confusion Matrix. Tujuan penelitian ini adalah memastikan apakah atribut wajah dapat digunakan untuk klasifikasi gender serta menentukan model yang lebih baik antara Naïve Bayes atau KNN. Hasil pengujian menunjukkan, kedua algoritma memiliki akurasi yang sangat baik. Namun algoritma Naïve Bayes memiliki nillai AUC yang lebih tinggi yaitu 0,996 dibanding algoritma KNN yang memiliki nilai AUC sebesar 0,992. Berdasarkan nilai tersebut, atribut bagian-bagian pada wajah yaitu lebar dahi, lebar hidung, panjang hidung, bibir dan jarak hidung ke bibir dapat digunakan untuk klasifiikasi gender, karena bisa menghasilkan akurasi yang baik. Namun, model Naïve Bayes lebih direkomendasikan karena nilai akurasinya lebih tinggi dan stabil.
Kombinasi Teknik Pemodelan Prototipe Pada Aplikasi Mobile Untuk Monitoring Pengiriman Sampah Daur Ulang
Get PDFPenelitian ini bertujuan mengembangkan teknik pemodelan desain aplikasi mobile untuk memantau pengiriman sampah daur ulang dengan menggabungkan dua metode yaitu Rapid Prototyping dan User-Centered Design (UCD). Aplikasi yang dikembangkan untuk meningkatkan efektivitas pengiriman sampah daur ulang serta memastikan keterlibatan pengguna dalam proses pengelolaan limbah. Pemodelan aplikasi mobile dengan pendekatan Rapid Prototyping dalam pembuatan prototipe interaktif secara cepat sementara User Centre Design diterapkan dalam hal pemahaman secara mendalam terhadap kebutuhan pengguna. Kombinasi Teknik pemodelan antara Rapid Prototyping dan User Centre Design menghasilkan prototipe aplikasi yang baik dalam memonitor pengiriman sampah daur ulang, memberikan kontribusi positif dalam mengatasi permasalahan monitoring pengiriman sampah dan dampak positif pada industri daur ulang dimana pengujian akhir prototipe Efficiency, Effectiveness, Satisfaction, dan Usability yang telah dikembangkan berhasil menunjukkan hasil yang sangat positif. Proses pengembangan prototipe aplikasi mobile melalui beberapa tahapan antara lain analisis awal, perancangan prototipe, verifikasi dan pengujian awal, iterasi dan perbaikan, serta evaluasi akhir desain. Hasil Penelitian ini menunjukkan bahwa tingkat Efficiency dan Effectiveness pada pengujian akhir prototipe aplikasi sangat tinggi, dengan rata-rata nilai 5.00 sedangkan dari sisi Satisfaction dan Usability memperoleh rata-rata nilai sebesar 4.75.Penelitian ini bertujuan mengembangkan teknik pemodelan desain aplikasi mobile untuk memantau pengiriman sampah daur ulang dengan menggabungkan dua metode yaitu Rapid Prototyping dan User-Centered Design (UCD). Aplikasi yang dikembangkan untuk meningkatkan efektivitas pengiriman sampah daur ulang serta memastikan keterlibatan pengguna dalam proses pengelolaan limbah. Pemodelan aplikasi mobile dengan pendekatan Rapid Prototyping dalam pembuatan prototipe interaktif secara cepat sementara User Centre Design diterapkan dalam hal pemahaman secara mendalam terhadap kebutuhan pengguna. Kombinasi Teknik pemodelan antara Rapid Prototyping dan User Centre Design menghasilkan prototipe aplikasi yang baik dalam memonitor pengiriman sampah daur ulang, memberikan kontribusi positif dalam mengatasi permasalahan monitoring pengiriman sampah dan dampak positif pada industri daur ulang dimana pengujian akhir prototipe Efficiency, Effectiveness, Satisfaction, dan Usability yang telah dikembangkan berhasil menunjukkan hasil yang sangat positif. Proses pengembangan prototipe aplikasi mobile melalui beberapa tahapan antara lain analisis awal, perancangan prototipe, verifikasi dan pengujian awal, iterasi dan perbaikan, serta evaluasi akhir desain. Hasil Penelitian ini menunjukkan bahwa tingkat Efficiency dan Effectiveness pada pengujian akhir prototipe aplikasi sangat tinggi, dengan rata-rata nilai 5.00 sedangkan dari sisi Satisfaction dan Usability memperoleh rata-rata nilai sebesar 4.75.
Abstract
This research aims to develop a mobile application design modeling technique for monitoring recycling waste shipments by combining two methods: Rapid Prototyping and User-Centered Design (UCD). The application is developed to enhance the effectiveness of recycling waste shipments and ensure user engagement in waste management processes. Mobile application modeling with the Rapid Prototyping approach enables the rapid creation of interactive prototypes, while User-Centered Design is applied to gain in-depth understanding of user needs. The combination of modeling techniques between Rapid Prototyping and User-Centered Design results in a well-designed application prototype for monitoring recycling waste shipments, making a positive contribution to addressing monitoring issues in waste shipment and having a positive impact on the recycling industry. In the final prototype testing, Efficiency, Effectiveness, Satisfaction, and Usability demonstrated very positive results. The development process of the mobile application prototype involves several stages, including initial analysis, prototype design, verification and initial testing, iteration and improvement, as well as final design evaluation. The research findings show that the level of Efficiency and Effectiveness in the final prototype testing is very high, with an average score of 5.00, while from the perspective of Satisfaction and Usability, an average score of 4.75 is obtained
Data Mining Pendidikan: Prediksi Gaya Belajar Mahasiswa Teknik Menggunakan Machine Learning
Get PDFDalam platform online, pembelajar yang berbeda memiliki gaya belajar yang berbeda berdasarkan perilaku belajar. Oleh karena itu, menganalisis perilaku dan mendeteksi gaya belajar mahasiswa adalah penting untuk memberikan rekomendasi sumber daya yang tepat, sehingga meningkatkan hasil belajar mahasiswa. Untuk memprediksi gaya belajar mahasiswa, dihitung dan dibandingkan kinerja algoritma pembelajaran mesin seperti regresi logistik, pohon penentuan, K-Nearest neighbour, support vector machine, neural network, dan Naive Bayes. Dataset terdiri dari seratus mahasiswa teknik yang belajar Arsitektur Komputer selama satu semester. Studi berbasis data seperti ini sangat penting untuk membangun sistem analisis pembelajaran di institusi pendidikan tinggi dan membantu proses pengambilan keputusan. Hasilnya menunjukkan bahwa model yang disarankan mencapai akurasi klasifikasi sebesar 65–78% dengan hanya empat parameter digunakan: nilai akhir, predikat, program studi, dan jenis kelamin. Hasil menunjukkan bahwa algoritma K-Nearest Neighbour memiliki tingkat akurasi 78% tertinggi dibandingkan dengan algoritma machine learning lainnya. Ini menunjukkan bahwa ada korelasi yang signifikan antara data aktual dan data prediksi. Hasilnya menunjukkan bahwa 78% sampel diklasifikasikan dengan benar. Hasil empiris dari penelitian ini memungkinkan pemahaman yang lebih baik tentang proses penggalian data pendidikan perguruan tinggi saat ini. Pemahaman ini dapat digunakan untuk mempertimbangkan faktor-faktor yang perlu dipertimbangkan oleh para mahasiswa teknik saat membuat keputusan tentang proses pembelajaran.
Abstract
In online platforms, different learners have different learning styles based on learning behavior. Therefore, analyzing behavior and detecting student learning styles is important to provide appropriate resource recommendations, thereby improving student learning outcomes. To predict student learning styles, the performance of machine learning algorithms such as logistic regression, determination trees, K-Nearest neighbors, support vector machines, neural networks, and Naive Bayes are calculated and compared. The dataset consists of one hundred engineering students studying Computer Architecture for one semester. Data-based studies like this are essential for building learning analytics systems in higher education institutions and aiding decision-making processes. The results show that the proposed model achieves a classification accuracy of 65–78% with only four parameters used: final grade, predicate, study program, and gender. The results show that the K-Nearest Neighbor algorithm has the highest accuracy rate of 78% compared to other machine learning algorithms. This shows that there is a significant correlation between the actual data and the predicted data. The results show that 78% of the samples were classified correctly. The empirical results of this research enable a better understanding of the current process of mining higher education education data. This understanding can be used to consider factors that engineering students need to consider when making decisions about the learning process.Dalam platform online, pembelajar yang berbeda memiliki gaya belajar yang berbeda berdasarkan perilaku belajar. Oleh karena itu, menganalisis perilaku dan mendeteksi gaya belajar mahasiswa adalah penting untuk memberikan rekomendasi sumber daya yang tepat, sehingga meningkatkan hasil belajar mahasiswa. Untuk memprediksi gaya belajar mahasiswa, dihitung dan dibandingkan kinerja algoritma pembelajaran mesin seperti regresi logistik, pohon penentuan, K-Nearets neigbour, support vektor machine, neural network, dan Naive Bayes. Dataset terdiri dari seratus mahasiswa teknik yang belajar Arsitektur Komputer selama satu semester. Studi berbasis data seperti ini sangat penting untuk membangun sistem analisis pembelajaran di institusi pendidikan tinggi dan membantu proses pengambilan keputusan. Hasilnya menunjukkan bahwa model yang disarankan mencapai akurasi klasifikasi sebesar 65–78% dengan hanya empat parameter digunakan: nilai akhir, predikat, program studi, dan jenis kelamin. Hasil menunjukkan bahwa algoritma K-Nearest Neigbour memiliki tingkat akurasi 78% tertinggi dibandingkan dengan algoritma machine learning lainnya. Ini menunjukkan bahwa ada korelasi yang signifikan antara data aktual dan data prediksi. Hasilnya menunjukkan bahwa 78% sampel diklasifikasikan dengan benar. Hasil empiris dari penelitian ini memungkinkan pemahaman yang lebih baik tentang proses penggalian data pendidikan perguruan tinggi saat ini. Pemahaman ini dapat digunakan untuk mempertimbangkan faktor-faktor yang perlu dipertimbangkan oleh para mahasiswa teknik saat membuat keputusan tentang proses pembelajaran
Pengaruh Non-Automatic Repeat Request (Arq) Mode Terhadap Packet Error Rate Pada Drone-Based Wireless Sensor Network
Get PDFPenelitian ini membahas tentang performa dari 2.4 GHz Zigbee wireless antenna untuk aplikasi wide-area wireless sensor network. Transmitter antenna di install pada drone sebagai media mobile wireless sensor network dan receiver antenna berada di lokasi tertentu pada lingkungan luar ruangan. Setingan alat untuk transmitter antenna dan receiver antenna yaitu non-Automatic Repeat Request (ARQ) mode sehingga data yang di terima oleh receiver dalam experimen ini nanti bisa menjadi perbandingan dengan hasil perhitungan teoritis menggunakan Matlab. Non-ARQ menjadi alternative untuk mengurangi konsumsi energi pada jaringan wireless sensor network. Dalam experimen ini dilakukan model point-to-point communication. Dari hasil experimen diperoleh jarak 0m-100m nilai dari Packet Error Rate (PER) untuk masing-masing ketinggian drone meningkat mencapai 17-18%. Lebih lanjut pada jarak 100m-150m nilai PER mengalami penurunan yaitu 15-16% untuk tiga ketinggian drone yang berbeda. Mulai dari jarak 150m-250m nilai PER mengalami kenaikan yang siginifikan, hingga mencapai PER 70% untuk ketinggian drone 30m, PER 80% untuk ketinggian drone 45m dan PER 88% untuk ketinggian drone 15m. Pada jarak 250m-350m nilai PER terlihat masih konstan untuk ketinggian drone 45m dan ketinggian 30m yaitu mencapai nilai PER 78% pada jarak 350m, sedangkan untuk ketinggian drone 15m menunjukan nilai PER naik hingga mencapai 98% pada jarak 350m. Hasil simulasi dengan Matlab menunjukan Received Signal Strength Indicator (RSSI) terhadap jarak transmitter antenna dengan receiver antenna untuk ketinggian transmitter antenna 15m dan receiver antenna 1.5m. nilai RSSI terus meningkat -66 dBm pada jarak 20m dan ini adalah nilai RSSI terbaik. Lebih lanjut untuk ketinggian transmitter antenna 30m dan receiver antenna 1.5m. Nilai RSSI terus meningkat -73 dBm pada jarak 45m dan ini adalah nilai RSSI terbaik. Pada jarak 3m nilai RSSI terus meningkat -76 dBm pada jarak 62m dan ini adalah nilai RSSI terbaik.
Abstract
This research discusses the performance of the 2.4 GHz Zigbee wireless antenna for wide-area wireless sensor network applications. The transmitter antenna is installed on the drone as a mobile wireless sensor network medium and the receiver antenna is located in a certain location in the outdoor environment. The device settings for the transmitter antenna and receiver antenna are non-Automatic Repeat Request (ARQ) mode so that the data received by the receiver in this experiment can later be compared with the results of theoretical calculations using Matlab. Non-ARQ is an alternative to reduce energy consumption in wireless sensor networks. In this experiment, a point-to-point communication model was carried out. From the experimental results, it was found that at a distance of 0m-100m, the Packet Error Rate (PER) value for each drone height increased by 17-18%. Furthermore, at a distance of 100m-150m, the PER value experienced a slight decrease, namely 15-16% for three different drone heights. Starting from a distance of 150m-250m, the PER value experiences a significant increase, reaching a PER of 70% for a drone height of 30m, a PER of 80% for a drone height of 45m and a PER of 88% for a drone height of 15m. At a distance of 250m-350m, the PER value appears to remain constant for a drone height of 45m and a height of 30m, namely reaching a PER value of 78% at a distance of 350m, while for a drone height of 15m, the PER value increases to reach 98% at a distance of 350m. The simulation results with Matlab show Received Signal Strength Indicator (RSSI) to the distance between the transmitter antenna and the receiver antenna for a transmitter antenna height of 15m and receiver antenna height of 1.5m. The RSSI value continues to increase -66 dBm at a distance of 20m and this is the best RSSI value. Furthermore, the height of the transmitter antenna is 30m and the receiver antenna is 1.5m. The RSSI value continues to increase -73 dBm at a distance of 45m and this is the best RSSI value. At a distance of 3m the RSSI value continues to increase -76 dBm at a distance of 62m and this is the best RSSI value.Penelitian ini membahas tentang performa dari 2.4 GHz Zigbee wireless antenna untuk aplikasi wide-area wireless sensor network. Transmitter antenna di install pada drone sebagai media mobile wireless sensor network dan receiver antenna berada di lokasi tertentu pada lingkungan luar ruangan. Setingan alat untuk transmitter antenna dan receiver antenna yaitu non-Automatic Repeat Request (ARQ) mode sehingga data yang di terima oleh receiver dalam experimen ini nanti bisa menjadi perbandingan dengan hasil perhitungan teoritis menggunakan Matlab. Non-ARQ menjadi alternative untuk mengurangi konsumsi energi pada jaringan wireless sensor network. Dalam experimen ini dilakukan model point-to-point communication. Dari hasil experimen diperoleh jarak 0m-100m nilai dari Packet Error Rate (PER) untuk masing-masing ketinggian drone meningkat mencapai 17-18%. Lebih lanjut pada jarak 100m-150m nilai PER mengalami penurunan yaitu 15-16% untuk tiga ketinggian drone yang berbeda. Mulai dari jarak 150m-250m nilai PER mengalami kenaikan yang siginifikan, hingga mencapai PER 70% untuk ketinggian drone 30m, PER 80% untuk ketinggian drone 45m dan PER 88% untuk ketinggian drone 15m. Pada jarak 250m-350m nilai PER terlihat masih konstan untuk ketinggian drone 45m dan ketinggian 30m yaitu mencapai nilai PER 78% pada jarak 350m, sedangkan untuk ketinggian drone 15m menunjukan nilai PER naik hingga mencapai 98% pada jarak 350m. Hasil simulasi dengan Matlab menunjukan Received Signal Strength Indicator (RSSI) terhadap jarak transmitter antenna dengan receiver antenna untuk ketinggian transmitter antenna 15m dan receiver antenna 1.5m. nilai RSSI terus meningkat -66 dBm pada jarak 20m dan ini adalah nilai RSSI terbaik. Lebih lanjut untuk ketinggian transmitter antenna 30m dan receiver antenna 1.5m. Nilai RSSI terus meningkat -73 dBm pada jarak 45m dan ini adalah nilai RSSI terbaik. Pada jarak 3m nilai RSSI terus meningkat -76 dBm pada jarak 62m dan ini adalah nilai RSSI terbaik.
Abstract
This research discusses the performance of the 2.4 GHz Zigbee wireless antenna for wide-area wireless sensor network applications. The transmitter antenna is installed on the drone as a mobile wireless sensor network medium and the receiver antenna is located in a certain location in the outdoor environment. The device settings for the transmitter antenna and receiver antenna are non-Automatic Repeat Request (ARQ) mode so that the data received by the receiver in this experiment can later be compared with the results of theoretical calculations using Matlab. Non-ARQ is an alternative to reduce energy consumption in wireless sensor networks. In this experiment, a point-to-point communication model was carried out. From the experimental results, it was found that at a distance of 0m-100m, the Packet Error Rate (PER) value for each drone height increased by 17-18%. Furthermore, at a distance of 100m-150m, the PER value experienced a slight decrease, namely 15-16% for three different drone heights. Starting from a distance of 150m-250m, the PER value experiences a significant increase, reaching a PER of 70% for a drone height of 30m, a PER of 80% for a drone height of 45m and a PER of 88% for a drone height of 15m. At a distance of 250m-350m, the PER value appears to remain constant for a drone height of 45m and a height of 30m, namely reaching a PER value of 78% at a distance of 350m, while for a drone height of 15m, the PER value increases to reach 98% at a distance of 350m. The simulation results with Matlab show Received Signal Strength Indicator (RSSI) to the distance between the transmitter antenna and the receiver antenna for a transmitter antenna height of 15m and receiver antenna height of 1.5m. The RSSI value continues to increase -66 dBm at a distance of 20m and this is the best RSSI value. Furthermore, the height of the transmitter antenna is 30m and the receiver antenna is 1.5m. The RSSI value continues to increase -73 dBm at a distance of 45m and this is the best RSSI value. At a distance of 3m the RSSI value continues to increase -76 dBm at a distance of 62m and this is the best RSSI value
Perbandingan Metode Jaringan Saraf Tiruan, Fuzzy, Dan Anfis Pada Peramalan Data Inflasi Indonesia
Get PDFPeramalan adalah teknik penting untuk mengestimasi nilai masa depan berdasarkan data historis. Namun, metode peramalan sering menghadapi tantangan dalam memilih model dengan tingkat akurasi terbaik. Penelitian ini bertujuan membandingkan kinerja metode Jaringan Syaraf Tiruan (JST) dan Fuzzy Metode Sugeno serta gabungan kedua metode yang disebut Adaptive Neuro Fuzzy Inference System (ANFIS). Ketiga metode digunakan untuk meramalkan inflasi bulanan Indonesia. Penerapan ketiga metode membutuhkan penentuan input yang berdasarkan stasioner dan PACF. Data tidak stasioner lag 2 sehingga Differencing lag 2 kemudian tidak ada lag yang keluar pada PACF. Berdasarkan kedua hal tersebut ditentukan inputnya ialah dan . Hasil menunjukkan bahwa metode JST dengan 3 lapisan tersembunyi dengan banyak neuron (2,1,1) memberikan kinerja terbaik (nilai RMSE terkecil sebesar 1,16127 pada data testing). Metode terbaik tersebut digunakan untuk meramalkan Inflasi bulan September 2023 hingga Desember 2024 cenderung konstan antara 2,68879% hingga 2,68887%. Kontribusi riset ini adalah metode advance (ANFIS) dengan menggabungankan dua metode (JST dan Fuzzy) belum tentu lebih baik daripada metode tanpa penggabungan (JST atau Fuzzy).
Abstract
Forecasting is an important technique for estimating future values based on historical data. However, forecasting methods often face challenges in choosing a model with the best level of accuracy. This study aims to compare the performance of the Artificial Neural Network (ANN) and Fuzzy Sugeno Method methods and a combination of the two methods called the Adaptive Neuro Fuzzy Inference System (ANFIS). The third method is used to predict Indonesia\u27s monthly inflation. The application of the third method requires input determination based on stationary and PACF. The data is not stationary lag 2 so that Differencing lag 2 then there is no lag that comes out in PACF. Based on these two things, the input is determined to be Y_(t-1) and Y_(t-2). The results show that the ANN method with 3 hidden layers with many neurons (2,1,1) gives the best performance (the smallest RMSE value is 1.16127 on the test data). The best method used to predict inflation from September 2023 to December 2024 tends to be constant between 2.68879% to 2.68887%. The contribution of this research is that the advanced method (ANFIS) by combining two methods (ANN and Fuzzy) is not necessarily better than the method without combining (ANN or Fuzzy).Peramalan adalah teknik penting untuk mengestimasi nilai masa depan berdasarkan data historis. Namun, metode peramalan sering menghadapi tantangan dalam memilih model dengan tingkat akurasi terbaik. Penelitian ini bertujuan membandingkan kinerja metode Jaringan Syaraf Tiruan (JST) dan Fuzzy Metode Sugeno serta gabungan kedua metode yang disebut Adaptive Neuro Fuzzy Inference System (ANFIS). Ketiga metode digunakan untuk meramalkan inflasi bulanan Indonesia. Penerapan ketiga metode membutuhkan penentuan input yang berdasarkan stasioner dan PACF. Data tidak stasioner lag 2 sehingga Differencing lag 2 kemudian tidak ada lag yang keluar pada PACF. Berdasarkan kedua hal tersebut ditentukan inputnya ialah dan . Hasil menunjukkan bahwa metode JST dengan 3 lapisan tersembunyi dengan banyak neuron (2,1,1) memberikan kinerja terbaik (nilai RMSE terkecil sebesar 1,16127 pada data testing). Metode terbaik tersebut digunakan untuk meramalkan Inflasi bulan September 2023 hingga Desember 2024 cenderung konstan antara 2,68879% hingga 2,68887%. Kontribusi riset ini adalah metode advance (ANFIS) dengan menggabungankan dua metode (JST dan Fuzzy) belum tentu lebih baik daripada metode tanpa penggabungan (JST atau Fuzzy).
Abstract
Forecasting is an important technique for estimating future values based on historical data. However, forecasting methods often face challenges in choosing a model with the best level of accuracy. This study aims to compare the performance of the Artificial Neural Network (ANN) and Fuzzy Sugeno Method methods and a combination of the two methods called the Adaptive Neuro Fuzzy Inference System (ANFIS). The third method is used to predict Indonesia\u27s monthly inflation. The application of the third method requires input determination based on stationary and PACF. The data is not stationary lag 2 so that Differencing lag 2 then there is no lag that comes out in PACF. Based on these two things, the input is determined to be Y_(t-1) and Y_(t-2). The results show that the ANN method with 3 hidden layers with many neurons (2,1,1) gives the best performance (the smallest RMSE value is 1.16127 on the test data). The best method used to predict inflation from September 2023 to December 2024 tends to be constant between 2.68879% to 2.68887%. The contribution of this research is that the advanced method (ANFIS) by combining two methods (ANN and Fuzzy) is not necessarily better than the method without combining (ANN or Fuzzy)
Analisis Perbedaan Perfoma Penggunaan Lazygrid Dan Recyclerview Dalam Menampilkan Koleksi Data
Get PDFJetpack Compose adalah alat modern untuk membuat sebuah antarmuka pengguna aplikasi Android. Jetpack Compose dapat menyederhanakan dan mempercepat pengembangan antarmuka pengguna pada aplikasi Android. Namun, pada dokumentasi resmi developer.android.com belum dijelaskan apakah Jetpack Compose memiliki performa lebih baik dari XML. Penelitian ini dilakukan untuk mengetahui begaimana performa aplikasi yang menggunakan Jetpack Compose dan XML. Penelitian dilakukan pada kemampuan Jetpack Compose dan XML dalam menampilkan koleksi data, yaitu LazyGrid dan RecyclerView. Parameter yang digunakan untuk mengukur performa aplikasi tersebut adalah CPU utilization, memory usage, dan rendering time. Parameter CPU utilization dan memory usage digunakan karena perbedaan kode untuk membangun antarmuka pengguna. Perbedaan kode tersebut dapat mempengaruhi kinerja suatu aplikasi. Sedangkan parameter rendering time digunakan untuk mengetahui kecepatan aplikasi dalam menampilkan sebuah frame. Metode dari penelitian dimulai dengan merancang skenario pengujian, implementasi RecyclerView dan LazyGrid, pengambilan data, pengolahan data dan analisis hasil, kemudian menarik kesimpulan dari hasil penelitian. Dari penelitian ini didapatkan bahwa terdapat perbedaan signifikan pada performa aplikasi yang menggunakan RecyclerView dan LazyGrid kecuali pada memory usage dengan jumlah koleksi data 50. Aplikasi yang menggunakan RecyclerView unggul pada CPU utilization dan rendering time dengan jumlah koleksi data 20, 50, dan 100. Aplikasi yang menggunakan RecyclerView juga unggul pada memory usage dengan jumlah koleksi data 20 namun aplikasi yang menggunakan LazyGrid unggul dalam menampilkan jumlah koleksi data 50 dan 100.
Abstract
Jetpack Compose is a modern tool dedicated for building Android apps user interface. Jetpack Compose simplifies and accelerate user interface development in Android apps. But in official documentation developer.android.com have not been told how Jetpack Compse and XML perfomances are. The research was done to the ability of Jetpack Compose and XML in showing data collection which are LazyGrid and RecyclerView. The parameters that had been used to measure the apps performances are CPU utilization, memory usage, and rendering time. CPU utilization and memory usage are used as parameters because of the code that are used for developing user interface are different. The code difference can affect how the Application works. Rendering time is used as a parameter to know how much time does it takes to complete a single frame. The methods of doing this research started by designing test scenarios, RecyclerView and LazyGrid implementation, collecting data, processing data and result analysis, and comclusion. From this research was achieved that a significant differences of performance on apps with RecyclerView and LazyGrid have found except in memory usage with 50 total of data collection. Apps wity RcyclerView was superior in CPU utilization and rendering time with 20, 50, and 100 total of data collection. Apps performance that using RecyclerView was also superior in memory usage with 20 total of data collection but apps that using LazyGrid was superior with 50 and 100 total of data collection.Jetpack Compose adalah alat modern untuk membuat sebuah antarmuka pengguna aplikasi Android. Jetpack Compose dapat menyederhanakan dan mempercepat pengembangan antarmuka pengguna pada aplikasi Android. Namun, pada dokumentasi resmi developer.android.com belum dijelaskan apakah Jetpack Compose memiliki performa lebih baik dari XML. Penelitian ini dilakukan untuk mengetahui begaimana performa aplikasi yang menggunakan Jetpack Compose dan XML. Penelitian dilakukan pada kemampuan Jetpack Compose dan XML dalam menampilkan koleksi data, yaitu LazyGrid dan RecyclerView. Parameter yang digunakan untuk mengukur performa aplikasi tersebut adalah CPU utilization, memory usage, dan rendering time. Parameter CPU utilization dan memory usage digunakan karena perbedaan kode untuk membangun antarmuka pengguna. Perbedaan kode tersebut dapat mempengaruhi kinerja suatu aplikasi. Sedangkan parameter rendering time digunakan untuk mengetahui kecepatan aplikasi dalam menampilkan sebuah frame. Metode dari penelitian dimulai dengan merancang skenario pengujian, implementasi RecyclerView dan LazyGrid, pengambilan data, pengolahan data dan analisis hasil, kemudian menarik kesimpulan dari hasil penelitian. Dari penelitian ini didapatkan bahwa terdapat perbedaan signifikan pada performa aplikasi yang menggunakan RecyclerView dan LazyGrid kecuali pada memory usage dengan jumlah koleksi data 50. Aplikasi yang menggunakan RecyclerView unggul pada CPU utilization dan rendering time dengan jumlah koleksi data 20, 50, dan 100. Aplikasi yang menggunakan RecyclerView juga unggul pada memory usage dengan jumlah koleksi data 20 namun aplikasi yang menggunakan LazyGrid unggul dalam menampilkan jumlah koleksi data 50 dan 100.
Abstract
Jetpack Compose is a modern tool dedicated for building Android apps user interface. Jetpack Compose simplifies and accelerate user interface development in Android apps. But in official documentation developer.android.com have not been told how Jetpack Compse and XML perfomances are. The research was done to the ability of Jetpack Compose and XML in showing data collection which are LazyGrid and RecyclerView. The parameters that had been used to measure the apps performances are CPU utilization, memory usage, and rendering time. CPU utilization and memory usage are used as parameters because of the code that are used for developing user interface are different. The code difference can affect how the Application works. Rendering time is used as a parameter to know how much time does it takes to complete a single frame. The methods of doing this research started by designing test scenarios, RecyclerView and LazyGrid implementation, collecting data, processing data and result analysis, and comclusion. From this research was achieved that a significant differences of performance on apps with RecyclerView and LazyGrid have found except in memory usage with 50 total of data collection. Apps wity RcyclerView was superior in CPU utilization and rendering time with 20, 50, and 100 total of data collection. Apps performance that using RecyclerView was also superior in memory usage with 20 total of data collection but apps that using LazyGrid was superior with 50 and 100 total of data collection
Kombinasi Analisis Bibliometrik dengan Latent Dirichlet Allocation sebagai Pemodelan Topik Cashless Society
Get PDFEra digitalisasi dan komputasi telah dimulai, ditandai dengan munculnya teknologi digital yang merasuk ke berbagai aspek kehidupan, sementara data juga terus berkembang menjadi big data. Setelah era covid 19, metode pembayaran non-tunai berkembang sangat pesat, sehingga banyak penelitian mengenai cashless society. Tujuan dari penelitian ini adalah memodelkan topik-topik yang berkaitan dengan cashless society untuk mendapatkan variabel dan indikator yang terkait dengan menggunakan analisis bibliometrik dan latent dirichlet allocation. Data penelitian ini berasal dari artikel publikasi ilmiah dan hasil web scrapping di twitter yang bertemakan cashless society. Hasil penelitian menunjukkan bahwa terdapat 5 variabel dan 21 indikator yang berhubungan dengan cashless society.
Abstract
The era of digitalization and computing has begun, marked by the emergence of digital technology which permeates various aspects of life, while data also continues to develop into big data. After the covid 19 era, non-cash payment methods developed very rapidly, so there were many studies on the cashless society. The purpose of this research is to model topics related to the cashless society to obtain related variables and indicators using bibliometric analysis and latent dirichlet allocation. This research data comes from scientific publication articles and web scrapping results on twitter with the theme of cashless society. The results showed that there are 5 variables and 21 indicators related to cashless society.Era digitalisasi dan komputasi telah dimulai, ditandai dengan munculnya teknologi digital yang merasuk ke berbagai aspek kehidupan, sementara data juga terus berkembang menjadi big data. Setelah era covid 19, metode pembayaran non-tunai berkembang sangat pesat, sehingga banyak penelitian mengenai cashless society. Tujuan dari penelitian ini adalah memodelkan topik-topik yang berkaitan dengan cashless society untuk mendapatkan variabel dan indikator yang terkait dengan menggunakan analisis bibliometrik dan latent dirichlet allocation. Data penelitian ini berasal dari artikel publikasi ilmiah dan hasil web scrapping di twitter yang bertemakan cashless society. Hasil penelitian menunjukkan bahwa terdapat 5 variabel dan 21 indikator yang berhubungan dengan cashless society.
Abstract
The era of digitalization and computing has begun, marked by the emergence of digital technology which permeates various aspects of life, while data also continues to develop into big data. After the covid 19 era, non-cash payment methods developed very rapidly, so there were many studies on the cashless society. The purpose of this research is to model topics related to the cashless society to obtain related variables and indicators using bibliometric analysis and latent dirichlet allocation. This research data comes from scientific publication articles and web scrapping results on twitter with the theme of cashless society. The results showed that there are 5 variables and 21 indicators related to cashless society