Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Perancangan Model Convolutional Neural Network Pada Aplikasi Pengenalan Aksara Sunda Berbasis Mobile
Get PDFMendikbudristek pada tahun 2022 menjadikan 38 bahasa daerah menjadi objek revitalisasi, salah satunya yaitu bahasa Sunda. Hal tersebut dikarenakan sebagian besar bahasa daerah di Indonesia kondisinya terancam punah dan kritis. Hilangnya bahasa daerah juga mengancam keberadaan aksara lokal yang menjadi bagian integral dari warisan budaya. Dalam upaya memperkenalkan serta mendukung revitalisasi di bidang kebahasaan, pengembangan aplikasi media pembelajaran berbasis mobile dapat menjadi solusi yang efektif. Hal ini didasarkan bahwa perangkat smartphone memiliki pengguna yang luas di kalangan masyarakat. Penelitian ini bertujuan untuk merancang dan mengimplementasikan model Convolutional Neural Network (CNN) untuk pengenalan aksara Sunda pada perangkat berbasis mobile. Model CNN diterapkan pada fitur belajar menulis untuk mengenali tulisan tangan aksara Sunda dan memberikan feedback kepada pengguna. Penelitian ini menggunakan metode Machine Learning Lifecycle (MLLC) dimana tahapan yang dilakukan meliputi problem definition, data, model, dan production system. Penelitian dimulai dengan pembuatan dataset tulisan tangan digital, yang kemudian digunakan untuk melatih model klasifikasi menggunakan arsitektur CNN VGG-16. Dataset yang berhasil dibuat sebanyak 7500 gambar yang terdiri dari aksara Sunda swara, ngalagena, dan ngalagena serapan. Model yang dihasilkan dari proses pelatihan dengan total 10 epoch memperoleh akurasi sebesar 99%, sementara pada data testing memperoleh akurasi rata-rata sebesar 83%. Pada tahap akhir pengujian, model diimplementasikan pada prototype aplikasi pengenalan aksara Sunda berbasis mobile dan dapat dengan baik mengklasifikasi aksara Sunda. Hasil dari penelitian ini yaitu berupa model pengenalan aksara Sunda yang dapat diterapkan pada aplikasi berbasis mobile. Melalui pembuatan model dan prototype aplikasi pengenalan aksara Sunda, penelitian ini ikut berkontribusi pada digitalisasi aksara Sunda serta menyediakan landasan untuk pengembangan dan penelitian lanjutan dalam penerapan CNN pada aplikasi berbasis mobile.
Abstract
In 2022, the Minister of Education, Culture, Research and Technology made 38 regional languages the object of revitalization, one of which is Sundanese. This is because most regional languages in Indonesia are endangered and critical. The loss of regional languages also threatens the existence of local scripts, which are an integral part of cultural heritage. To introduce and support revitalization in the language field, the development of mobile-based learning media applications can be an effective solution. This is based on the fact that smartphone devices have a wide user base in society. This study aims to design and implement a Convolutional Neural Network (CNN) model for Sundanese script recognition on mobile-based devices. The CNN model is applied to the learning-to-write feature to recognize Sundanese handwriting and provide user feedback. This study uses the Machine Learning Lifecycle (MLLC) method, where the stages include problem definition, data, models, and production systems. The study began with creating a digital handwriting dataset, which was then used to train a classification model using the CNN VGG-16 architecture. The successfully created dataset was 7500 images consisting of Sundanese swara, ngalagena, and ngalagena absorption scripts. The model produced from the training process with 10 epochs obtained an accuracy of 99%, while the testing data obtained an average accuracy of 83%. In the final stage of testing, the model was implemented on a mobile-based Sundanese script recognition application prototype and could classify Sundanese script well. The results of this study are in the form of a Sundanese script recognition model that is applied to a mobile-based application prototype. By creating a model and prototype of a Sundanese script recognition application, this research contributes to the digitalization of Sundanese script and provides a foundation for further development and research in the application of CNN to mobile base applications.Mendikbudristek pada tahun 2022 menjadikan 38 bahasa daerah menjadi objek revitalisasi, salah satunya yaitu bahasa Sunda. Hal tersebut dikarenakan sebagian besar bahasa daerah di Indonesia kondisinya terancam punah dan kritis. Hilangnya bahasa daerah juga mengancam keberadaan aksara lokal yang menjadi bagian integral dari warisan budaya. Dalam upaya memperkenalkan serta mendukung revitalisasi di bidang kebahasaan, pengembangan aplikasi media pembelajaran berbasis mobile dapat menjadi solusi yang efektif. Hal ini didasarkan bahwa perangkat smartphone memiliki pengguna yang luas di kalangan masyarakat. Penelitian ini bertujuan untuk merancang dan mengimplementasikan model Convolutional Neural Network (CNN) untuk pengenalan aksara Sunda pada perangkat berbasis mobile. Model CNN diterapkan pada fitur belajar menulis untuk mengenali tulisan tangan aksara Sunda dan memberikan feedback kepada pengguna. Penelitian ini menggunakan metode Machine Learning Lifecycle (MLLC) dimana tahapan yang dilakukan meliputi problem definition, data, model, dan production system. Penelitian dimulai dengan pembuatan dataset tulisan tangan digital, yang kemudian digunakan untuk melatih model klasifikasi menggunakan arsitektur CNN VGG-16. Dataset yang berhasil dibuat sebanyak 7500 gambar yang terdiri dari aksara Sunda swara, ngalagena, dan ngalagena serapan. Model yang dihasilkan dari proses pelatihan dengan total 10 epoch memperoleh akurasi sebesar 99%, sementara pada data testing memperoleh akurasi rata-rata sebesar 83%. Pada tahap akhir pengujian, model diimplementasikan pada prototype aplikasi pengenalan aksara Sunda berbasis mobile dan dapat dengan baik mengklasifikasi aksara Sunda. Hasil dari penelitian ini yaitu berupa model pengenalan aksara Sunda yang dapat diterapkan pada aplikasi berbasis mobile. Melalui pembuatan model dan prototype aplikasi pengenalan aksara Sunda, penelitian ini ikut berkontribusi pada digitalisasi aksara Sunda serta menyediakan landasan untuk pengembangan dan penelitian lanjutan dalam penerapan CNN pada aplikasi berbasis mobile.
Abstract
In 2022, the Minister of Education, Culture, Research and Technology made 38 regional languages the object of revitalization, one of which is Sundanese. This is because most regional languages in Indonesia are endangered and critical. The loss of regional languages also threatens the existence of local scripts, which are an integral part of cultural heritage. To introduce and support revitalization in the language field, the development of mobile-based learning media applications can be an effective solution. This is based on the fact that smartphone devices have a wide user base in society. This study aims to design and implement a Convolutional Neural Network (CNN) model for Sundanese script recognition on mobile-based devices. The CNN model is applied to the learning-to-write feature to recognize Sundanese handwriting and provide user feedback. This study uses the Machine Learning Lifecycle (MLLC) method, where the stages include problem definition, data, models, and production systems. The study began with creating a digital handwriting dataset, which was then used to train a classification model using the CNN VGG-16 architecture. The successfully created dataset was 7500 images consisting of Sundanese swara, ngalagena, and ngalagena absorption scripts. The model produced from the training process with 10 epochs obtained an accuracy of 99%, while the testing data obtained an average accuracy of 83%. In the final stage of testing, the model was implemented on a mobile-based Sundanese script recognition application prototype and could classify Sundanese script well. The results of this study are in the form of a Sundanese script recognition model that is applied to a mobile-based application prototype. By creating a model and prototype of a Sundanese script recognition application, this research contributes to the digitalization of Sundanese script and provides a foundation for further development and research in the application of CNN to mobile base applications
Clustering Stok Material Di Pdam Kota Makassar Wilayah Pelayanan Vi Menggunakan Algoritma K-Means
Get PDFPerusahaan Daerah Air Minum (PDAM) Kota Makassar Wilayah Pelayanan VI mengalami kesulitan dalam memanajemen stok materialnya terutama dalam hal pengelompokan material berdasarkan rendah atau tingginya penggunaan material. Hal tersebut mengakibatkan seringnya terjadi kekurangan dan kelebihan stok yang dapat menghambat kegiatan dan meningkatkan biaya operasional di PDAM. Oleh karena itu, diterapkan metode clustering menggunakan algoritma k-means untuk mengelompokkan jenis material berdasarkan tingkat penggunaannya. Penelitian ini bertujuan membantu PDAM dalam mengelola stok material dengan lebih baik dengan mengidentifikasi tingkat kebutuhan berdasarkan pola penggunaan sebelumnya. Penelitian ini meliputi tahap identifikasi masalah, pengumpulan data, preprocessing data mencakup data selection, data reduction dan data integration, data transformation, dan standarisasi data, penerapan algoritma clustering, evaluasi hasil clustering, dan visualisasi hasil clustering. Hasil clustering menunjukkan bahwa jumlah cluster optimal yang diperoleh adalah 2, yaitu Cluster_0 (penggunaan rendah) dengan 123 jenis material dan Cluster_1 (penggunaan tinggi) dengan 2 jenis material. Kualitas cluster berdasarkan nilai silhouette menunjukkan hasil yang cukup baik dimana Cluster_0 sebesar 0.939 dan Cluster_1 sebesar 0.816, dan nilai silhouette score yaitu 0.937. Hasil clustering sebagai rekomendasi dalam menentukan kebutuhan stok material di masa depan sehingga dapat meningkatkan efisiensi pengelolaan stok material di PDAM Kota Makassar Wilayah Pelayanan VI.
Abstract
Regional Drinking Water Company (PDAM) Makassar City Service Region VI has difficulty managing its material stock, especially in grouping materials based on low or high material usage. This results in frequent shortages and excess stock, which can hamper activities and increase operational costs at the PDAM. Therefore, a clustering method using the k-means algorithm is applied to group material types based on their level of use. This research aims to assist the PDAM in managing material stocks better by identifying the level of need based on previous usage patterns. This research includes problem identification, data collection, data preprocessing, data selection, data reduction and integration, data transformation, data standardization, the application of clustering algorithms, evaluation of clustering results, and visualization of clustering results. The clustering results show that the optimal number of clusters obtained is 2, namely Cluster_0 (low usage) with 123 types of materials and Cluster_1 (high usage) with two types of materials. Cluster Quality Based on the silhouette value shows quite good results where Cluster_0 is 0.939, Cluster_1 is 0.816, and the silhouette score is 0.937. The clustering results are a recommendation for determining future material stock needs to improve the efficiency of material stock management at PDAM Makassar City Service Area VI.Perusahaan Daerah Air Minum (PDAM) Kota Makassar Wilayah Pelayanan VI mengalami kesulitan dalam memanajemen stok materialnya terutama dalam hal pengelompokan material berdasarkan rendah atau tingginya penggunaan material. Hal tersebut mengakibatkan seringnya terjadi kekurangan dan kelebihan stok yang dapat menghambat kegiatan dan meningkatkan biaya operasional di PDAM. Oleh karena itu, diterapkan metode clustering menggunakan algoritma k-means untuk mengelompokkan jenis material berdasarkan tingkat penggunaannya. Penelitian ini bertujuan membantu PDAM dalam mengelola stok material dengan lebih baik dengan mengidentifikasi tingkat kebutuhan berdasarkan pola penggunaan sebelumnya. Penelitian ini meliputi tahap identifikasi masalah, pengumpulan data, preprocessing data mencakup data selection, data reduction dan data integration, data transformation, dan standarisasi data, penerapan algoritma clustering, evaluasi hasil clustering, dan visualisasi hasil clustering. Hasil clustering menunjukkan bahwa jumlah cluster optimal yang diperoleh adalah 2, yaitu Cluster_0 (penggunaan rendah) dengan 123 jenis material dan Cluster_1 (penggunaan tinggi) dengan 2 jenis material. Kualitas cluster berdasarkan nilai silhouette menunjukkan hasil yang cukup baik dimana Cluster_0 sebesar 0.939 dan Cluster_1 sebesar 0.816, dan nilai silhouette score yaitu 0.937. Hasil clustering sebagai rekomendasi dalam menentukan kebutuhan stok material di masa depan sehingga dapat meningkatkan efisiensi pengelolaan stok material di PDAM Kota Makassar Wilayah Pelayanan VI.
Abstract
Regional Drinking Water Company (PDAM) Makassar City Service Region VI has difficulty managing its material stock, especially in grouping materials based on low or high material usage. This results in frequent shortages and excess stock, which can hamper activities and increase operational costs at the PDAM. Therefore, a clustering method using the k-means algorithm is applied to group material types based on their level of use. This research aims to assist the PDAM in managing material stocks better by identifying the level of need based on previous usage patterns. This research includes problem identification, data collection, data preprocessing, data selection, data reduction and integration, data transformation, data standardization, the application of clustering algorithms, evaluation of clustering results, and visualization of clustering results. The clustering results show that the optimal number of clusters obtained is 2, namely Cluster_0 (low usage) with 123 types of materials and Cluster_1 (high usage) with two types of materials. Cluster Quality Based on the silhouette value shows quite good results where Cluster_0 is 0.939, Cluster_1 is 0.816, and the silhouette score is 0.937. The clustering results are a recommendation for determining future material stock needs to improve the efficiency of material stock management at PDAM Makassar City Service Area VI
Rancang Bangun Sistem Takaran Otomatis Biji Kopi Blend (Arabika Dan Robusta) Pada Mesin Grinder Kopi Berbasis Load Cell Pada Arduino
Get PDFKopi blend adalah seni campuran biji kopi yang berbeda, menciptakan rasa dan karakter yang unik. Tujuan dari pembuatan kopi blend adalah menciptakan blend adalah menghasilkan kopi dengan rasa yang seimbang dan kompleks, menggabungkan berbagai elemen seperti keasaman, kelembutan, dan cita rasa yang unik dari masing-masing biji. Mencampur kopi blend (arabika dan robusta) perlu diperhatikan komposisi atau formula yang sesuai sehingga kualitas seduhan yang diinginkan tersebut dapat terpenuhi. Oleh karena itu, pada penelitian ini dibuat sistem takaran otomatis biji kopi blend pada mesin grinder kopi berdasarkan preferensi pelanggan. Sistem takaran otomatis menggunakan load cell sebagai menimbang atau menakar biji kopi blend (arabika dan robusta) sesuai dengan takaran keinginan pelanggan. Motor servo akan bergerak untuk mengirim biji kopi menuju ke proses penggilingan pada mesin grinder kopi. Sistem ini juga dilengkapi LCD dan push button untuk interaksi sistem dengan pengguna. Sistem ini mendapatkan rata-rata error yaitu 1.42 % pada load cell 1 sedangkan pada load cell 2 memiliki rata-rata error yaitu 2.21 %. Nilai kesalahan error pada penakaran pada biji kopi mendapat 3.7% pada servo 1 dan 5.904% pada servo 2 dengan berat maksimal yang dapat ditampung oleh wadah yaitu 30 gram. Sistem ini dapat menangani takaran biji kopi sesuai dengan permintaan user dengan kesalahan nilai error yang rendah sehingga menghasilkan kopi blend sesuai dengan keinginan.
Abstract
Coffee blend is the art of mixing different coffee beans to create a unique flavor and character. The goal of creating a coffee blend is to produce coffee with a balanced and complex taste, combining various elements such as acidity, smoothness, and unique flavors from each bean. When mixing coffee blends (Arabica and Robusta), it is important to consider the appropriate composition or formula so that the desired brew quality can be achieved. Therefore, in this study, an automatic coffee blend dosing system was developed for a coffee grinder machine based on customer preferences. The automatic dosing system uses a load cell to weigh or measure coffee beans (Arabica and Robusta) according to the desired proportion set by the customer. A servo motor will move to deliver the coffee beans to the grinding process in the coffee grinder machine. This system is also equipped with an LCD and push button for user interaction with the system. The system has an average error of 1.42% on load cell 1, while load cell 2 has an average error of 2.21%. The error rate in measuring coffee beans is 3.7% on servo 1 and 5.904% on servo 2, with a maximum weight capacity of 30 grams in the container. This system can handle coffee bean measurements according to user requests with a low error rate, resulting in coffee blends that meet user preferences.Kopi blend adalah seni campuran biji kopi yang berbeda, menciptakan rasa dan karakter yang unik. Tujuan dari pembuatan kopi blend adalah menciptakan blend adalah menghasilkan kopi dengan rasa yang seimbang dan kompleks, menggabungkan berbagai elemen seperti keasaman, kelembutan, dan cita rasa yang unik dari masing-masing biji. Mencampur kopi blend (arabika dan robusta) perlu diperhatikan komposisi atau formula yang sesuai sehingga kualitas seduhan yang diinginkan tersebut dapat terpenuhi. Oleh karena itu, pada penelitian ini dibuat sistem takaran otomatis biji kopi blend pada mesin grinder kopi berdasarkan preferensi pelanggan. Sistem takaran otomatis menggunakan load cell sebagai menimbang atau menakar biji kopi blend (arabika dan robusta) sesuai dengan takaran keinginan pelanggan. Motor servo akan bergerak untuk mengirim biji kopi menuju ke proses penggilingan pada mesin grinder kopi. Sistem ini juga dilengkapi LCD dan push button untuk interaksi sistem dengan pengguna. Sistem ini mendapatkan rata-rata error yaitu 1.42 % pada load cell 1 sedangkan pada load cell 2 memiliki rata-rata error yaitu 2.21 %. Nilai kesalahan error pada penakaran pada biji kopi mendapat 3.7% pada servo 1 dan 5.904% pada servo 2 dengan berat maksimal yang dapat ditampung oleh wadah yaitu 30 gram. Sistem ini dapat menangani takaran biji kopi sesuai dengan permintaan user dengan kesalahan nilai error yang rendah sehingga menghasilkan kopi blend sesuai dengan keinginan.
Abstract
Coffee blend is the art of mixing different coffee beans to create a unique flavor and character. The goal of creating a coffee blend is to produce coffee with a balanced and complex taste, combining various elements such as acidity, smoothness, and unique flavors from each bean. When mixing coffee blends (Arabica and Robusta), it is important to consider the appropriate composition or formula so that the desired brew quality can be achieved. Therefore, in this study, an automatic coffee blend dosing system was developed for a coffee grinder machine based on customer preferences. The automatic dosing system uses a load cell to weigh or measure coffee beans (Arabica and Robusta) according to the desired proportion set by the customer. A servo motor will move to deliver the coffee beans to the grinding process in the coffee grinder machine. This system is also equipped with an LCD and push button for user interaction with the system. The system has an average error of 1.42% on load cell 1, while load cell 2 has an average error of 2.21%. The error rate in measuring coffee beans is 3.7% on servo 1 and 5.904% on servo 2, with a maximum weight capacity of 30 grams in the container. This system can handle coffee bean measurements according to user requests with a low error rate, resulting in coffee blends that meet user preferences
Optimalisasi Simulasi Fisika Dua Dimensi Menggunakan Compute Shader dan Buffer
Get PDFSimulasi fisika merupakan aspek penting dalam pengembangan gim dan aplikasi extended reality (XR), khususnya untuk fungsi-fungsi seperti tumbukan antar objek, pergerakan, dan pemeriksaan ray-cast. Secara tradisional, simulasi ini dijalankan menggunakan Central Processing Unit (CPU). Namun, seiring meningkatnya kompleksitas interaksi pengguna, simulasi berbasis CPU mulai mengalami kendala skalabilitas, sehingga menyebabkan perlambatan pada eksekusi logika aplikasi secara keseluruhan. Untuk mengatasi kendala tersebut, penelitian ini memanfaatkan kemampuan pemrosesan paralel pada Graphics Processing Unit (GPU) melalui penggunaan compute shader dan compute buffer yang dinamis guna mengoptimalkan performa simulasi fisika dua dimensi. Penelitian dilakukan dengan mengembangkan sebuah kerangka kerja simulasi di mesin gim Unity, yang kemudian diuji kinerjanya dibandingkan dengan metode berbasis CPU melalui benchmarking. Pengujian dilakukan terhadap berbagai konfigurasi perangkat keras dengan jenis collider berbeda (lingkaran, kotak, poligon) serta jumlah objek yang beragam (100–3000 objek). Hasilnya menunjukkan bahwa simulasi berbasis GPU memiliki performa yang secara signifikan lebih unggul dibandingkan simulasi berbasis CPU, terutama pada skenario dengan jumlah objek yang tinggi. Temuan ini memberikan panduan praktis bagi pengembang aplikasi yang mengimplementasikan simulasi fisika untuk konfigurasi perangkat keras yang beragam.
Abstract
Physics simulation is a crucial element in game development and extended reality (XR) applications, supporting essential functionalities such as object collision detection, movement, and ray-casting inspection. Traditionally, these simulations have been handled by the Central Processing Unit (CPU). However, as user interactions become increasingly complex, CPU-based simulations encounter scalability issues, leading to slower execution of game logic and reduced overall performance. To overcome these limitations, this study leverages the parallel processing capabilities of Graphics Processing Units (GPUs) through compute shaders and dynamic compute buffers to optimize 2D physics simulations. We developed a GPU-accelerated simulation framework using the Unity game engine and benchmarked its performance against traditional CPU-based approaches. Performance evaluations were conducted across multiple hardware configurations, collider types (circle, box, polygon), and varying object counts (ranging from 100 to 3000 objects). The results demonstrate that GPU-based simulations significantly outperform CPU ones, particularly in scenarios involving large numbers of objects. These findings highlight the effectiveness of GPU acceleration for enhancing the scalability and efficiency of game physics systems, providing valuable insights for developers aiming to optimize performance across diverse hardware platforms.Simulasi fisika merupakan aspek penting dalam pengembangan gim dan aplikasi extended reality (XR), khususnya untuk fungsi-fungsi seperti tumbukan antar objek, pergerakan, dan pemeriksaan ray-cast. Secara tradisional, simulasi ini dijalankan menggunakan Central Processing Unit (CPU). Namun, seiring meningkatnya kompleksitas interaksi pengguna, simulasi berbasis CPU mulai mengalami kendala skalabilitas, sehingga menyebabkan perlambatan pada eksekusi logika aplikasi secara keseluruhan. Untuk mengatasi kendala tersebut, penelitian ini memanfaatkan kemampuan pemrosesan paralel pada Graphics Processing Unit (GPU) melalui penggunaan compute shader dan compute buffer yang dinamis guna mengoptimalkan performa simulasi fisika dua dimensi. Penelitian dilakukan dengan mengembangkan sebuah kerangka kerja simulasi di mesin gim Unity, yang kemudian diuji kinerjanya dibandingkan dengan metode berbasis CPU melalui benchmarking. Pengujian dilakukan terhadap berbagai konfigurasi perangkat keras dengan jenis collider berbeda (lingkaran, kotak, poligon) serta jumlah objek yang beragam (100–3000 objek). Hasilnya menunjukkan bahwa simulasi berbasis GPU memiliki performa yang secara signifikan lebih unggul dibandingkan simulasi berbasis CPU, terutama pada skenario dengan jumlah objek yang tinggi. Temuan ini memberikan panduan praktis bagi pengembang aplikasi yang mengimplementasikan simulasi fisika untuk konfigurasi perangkat keras yang beragam.
Abstract
Physics simulation is a crucial element in game development and extended reality (XR) applications, supporting essential functionalities such as object collision detection, movement, and ray-casting inspection. Traditionally, these simulations have been handled by the Central Processing Unit (CPU). However, as user interactions become increasingly complex, CPU-based simulations encounter scalability issues, leading to slower execution of game logic and reduced overall performance. To overcome these limitations, this study leverages the parallel processing capabilities of Graphics Processing Units (GPUs) through compute shaders and dynamic compute buffers to optimize 2D physics simulations. We developed a GPU-accelerated simulation framework using the Unity game engine and benchmarked its performance against traditional CPU-based approaches. Performance evaluations were conducted across multiple hardware configurations, collider types (circle, box, polygon), and varying object counts (ranging from 100 to 3000 objects). The results demonstrate that GPU-based simulations significantly outperform CPU ones, particularly in scenarios involving large numbers of objects. These findings highlight the effectiveness of GPU acceleration for enhancing the scalability and efficiency of game physics systems, providing valuable insights for developers aiming to optimize performance across diverse hardware platforms
Evaluasi Usability Aplikasi Mobile Sampingan Menggunakan Metode Usability Testing dan System Usability Scale (SUS)
Get PDFPada tahun 2018 diluncurkan sebuah aplikasi yang membantu para pencari pekerjaan paruh waktu bernama Aplikasi mobile Sampingan. Aplikasi ini merupakan aplikasi yang sangat membantu menghasilkan penghasilan tambahan bagi para penggunanya sesuai dengan observasi yang penulis lakukan pada ulasan aplikasi mobile Sampingan di Google Playstore, namun ditemukan cukup banyaknya komplain dari pengguna terkait aplikasi ini sehingga menjadi urgensi tersendiri dalam perbaikan aplikasi yang memiliki banyak peminat ini. Sehingga diperlukan evaluasi untuk selanjutnya dapat dilakukan perbaikan pada permasalahan yang dialami pengguna menggunakan metode usability testing dan SUS. Menurut Nielsen (2012) terdapat beberapa aspek yang perlu diukur untuk mengetahui permasalahan usability yaitu learnability, efficiency, error, dan satisfaction. Task scenario dan kuesioner SUS digunakan sebagai instrumen pada penelitian ini yang diberikan kepada 20 pengguna baru, dan terdapat instrumen wawancara yang melibatkan 5 pengguna lama serta 5 pengguna baru aplikasi mobile Sampingan. Dari pengumpulan data yang dilakukan, hasil yang didapatkan yaitu hasil aspek learnability yaitu 87%, aspek efficiency yaitu 0,019 goals/second pada perhitungan time-based efficiency dan 76,3% pada perhitungan Overall Relative Efficiency (ORE), aspek error yaitu 7,6%, serta aspek satisfaction yaitu 59,63 yang menggunakan kuesioner SUS. Selain itu ditemukan 17 permasalahan usability dari proses wawancara yang selanjutnya diberikan rekomendasi perbaikan berdasarkan 23 guidelines yang digunakan. Pada tahun 2018 diluncurkan sebuah aplikasi yang membantu para pencari pekerjaan paruh waktu bernama Aplikasi mobile Sampingan. Aplikasi ini merupakan aplikasi yang sangat membantu menghasilkan penghasilan tambahan bagi para penggunanya sesuai dengan observasi yang penulis lakukan pada ulasan aplikasi mobile Sampingan di Google Playstore, namun ditemukan cukup banyaknya komplain dari pengguna terkait aplikasi ini sehingga menjadi urgensi tersendiri dalam perbaikan aplikasi yang memiliki banyak peminat ini. Sehingga diperlukan evaluasi untuk selanjutnya dapat dilakukan perbaikan pada permasalahan yang dialami pengguna menggunakan metode usability testing dan SUS. Menurut Nielsen (2012) terdapat beberapa aspek yang perlu diukur untuk mengetahui permasalahan usability yaitu learnability, efficiency, error, dan satisfaction. Task scenario dan kuesioner SUS digunakan sebagai instrumen pada penelitian ini yang diberikan kepada 20 pengguna baru, dan terdapat instrumen wawancara yang melibatkan 5 pengguna lama serta 5 pengguna baru aplikasi mobile Sampingan. Dari pengumpulan data yang dilakukan, hasil yang didapatkan yaitu hasil aspek learnability yaitu 87%, aspek efficiency yaitu 0,019 goals/second pada perhitungan time-based efficiency dan 76,3% pada perhitungan Overall Relative Efficiency (ORE), aspek error yaitu 7,6%, serta aspek satisfaction yaitu 59,63 yang menggunakan kuesioner SUS. Selain itu ditemukan 17 permasalahan usability dari proses wawancara yang selanjutnya diberikan rekomendasi perbaikan berdasarkan 23 guidelines yang digunakan.
Klasifikasi Aktivitas Manusia Menggunakan Metode Long Short-Term Memory
Get PDFKlasifikasi aktivitas manusia merupakan salah satu topik penelitian yang penting karena dapat diterapkan pada berbagai bidang. Penelitian mengenai klasifikasi aktivitas manusia sebelumnya telah banyak dikembangkan dengan menerapkan dataset public HAR Repository yang telah tersedia. Namun dataset tersebut memiliki hasil dari ekstraksi fitur keluaran nilai sensor memiliki dimensi yang tinggi. Tingginya dimensi fitur dapat menyebabkan penurunan akurasi, untuk itu pada penelitian ini diusulkan penerapan dataset primer tanpa ekstraksi fitur. Selain tingginya dimensi, pada penelitian sebelumnya, banyaknya jumlah label dengan menerapkan machine learning tradisional tidak mampu melebihi akurasi 88%. Sehingga pada penelitian ini menerapkan dataset primer dengan menggunakan label kelas sebanyak 16 sehingga diusulkan metode deep learning Long Short Term Memory (LSTM). Proses penelitian dimulai dari pengambilan data, preprocessing data, modelling dan perbandingan algoritma deep learning LSTM dan machine learning KNN. Berdasarkan hasil pengujian perbandingan kedua algoritma tersebut dengan implementasi dataset yang sama, algoritma terbaik yaitu LSTM dengan nilai akurasi sebesar 0.94 dan KNN dengan nilai akurasi sebesar 0.71.Klasifikasi aktivitas manusia merupakan salah satu topik penelitian yang penting karena dapat diterapkan pada berbagai bidang dan memiliki manfaat yang luas. Penelitian mengenai klasifikasi aktivitas manusia sebelumnya telah banyak dikembangkan dengan menerapkan dataset publik pada repositori dataset Human Activity Recognition. Namun dataset tersebut memiliki fitur yang berdimensi tinggi sehingga dataset memiliki dimensi yang tinggi pula. Pada beberapa penelitian sebelumnya menunjukkan bahwa algoritma SVM dan Random Forest merupakan algoritma dengan nilai akurasi yang lebih unggul dibandingkan dengan model lainnya. Akan tetapi berdasarkan penelitian tersebut model tersebut belum pernah diimplementasikan pada kasus riil yaitu pada perangkat bergerak. Penelitian ini mengusulkan model pengenalan aktivitas manusia dengan kasus riil dengan dataset primer yang dikumpulkan dengan menggunakan smartphone. Pengambilan dataset primer melibatkan 10 responden. Data yang terkumpul dengan smartphone direkam melalui sensor menghasilkan dataset berbentuk data time series. Dataset primer yang digunakan masih memiliki nilai yang besar dan kurangnya keseimbangan jumlah label kelas sehingga eksperimen dimulai dengan tahapan preprocessing yang dilakukan dengan menggunakan moving average untuk mereduksi data tanpa menghilangkan informasi. Selain itu juga dilakukan SMOTE untuk menyeimbangkan jumlah masing - masing kelas data. Data latih memiliki proporsi sebanyak 80%, data validasi sebanyak 10% dan data uji sebanyak 10%. Penelitian ini menggunakan LSTM untuk klasifikasi aktivitas manusia karena algoritma ini sangat baik untuk memproses data time series berjumlah banyak. Hasil klasifikasi kemudian dibandingkan dengan algoritma terbaik pada beberapa penelitian sebelumnya. Hasil eksperimen didapatkan bahwa model LSTM dapat mengungguli model SVM dan Random Forest. Hasil klasifikasi menggunakan algoritma LSTM mencapai akurasi, Precision, Recall, dan F1-score 95%, 96%, 95%, dan 95%, secara berurutan.
Abstract
Human activity classification is one of the important research topics because it can be applied to various fields and have broad benefits. Research on human activity classification has previously been developed by applying public datasets to the available Human Activity Recognition dataset repository. However, the dataset has high dimensional features so that the dataset has high dimensions as well. Previous study has shown that SVM and Random Forest algorithms are algorithms with superior accuracy values compared to other models. However, based on previous research, the model has never been implemented in real cases, namely on mobile devices. This research proposes a human activity recognition model in real cases situation with primary datasets collected using smartphones. The data collection for the dataset involved 10 respondents. The data collected using a smartphone recorded via sensors to produce a dataset in the form of time series data. The primary dataset used still has a large value and there is a lack of balance in the number of class labels. To this end, the experiment begins with a preprocessing stage which is carried out using a moving average to reduce the data without losing information. In addition, SMOTE was also carried out to balance the number of each data class. The proportion of training data, validation data, and testing data is 80%, 10%, and 10%, respectively. This research uses LSTM for human activity classification because this algorithm is very good for processing large amounts of time series data. The classification results were then compared with the best algorithms in several previous studies. Experimental results show that the LSTM model can outperform the SVM and Random Forest models. Classification results using the LSTM algorithm reached Accuracy, Precision, Recall, dan F1-score 95%, 96%, 95%, and 95%, respectively
Perbandingan Kinerja Metode Arima, Multi-Layer Perceptron, Dan Random Forest Dalam Peramalan Harga Logam Mulia Berjangka Yang Mengandung Pencilan
Get PDFAkurasi peramalan sebagai tolok ukur kinerja metode deret waktu bergantung beberapa hal, antara lain karakteristik data, pemilihan metode, dan jangka waktu, di samping fluktuasi data dan keberadaaan pencilan dalam data. Keberadaan pencilan dalam data sering kali tidak dapat dihindari sehingga dapat mengganggu akurasi dan presisi dari peramalan. Berdasarkan hal tersebut dalam artikel ini dibahas tentang hasil kajian perbandingan kinerja metode ARIMA, Multi-Layer Perceptron (MLP), dan Random Forest (RF) dalam peramalan data deret waktu yang mengandung pencilan, khususnya untuk data harga logam mulia berjangka (emas, perak, dan platina) berdasarkan nilai Mean Absolute Percentage Error (MAPE). Ditunjukkan bahwa kinerja metode ARIMA dengan Interpolasi Linier mampu menekan pengaruh pencilan lebih baik dibanding ARIMA dengan Winsorized Mean dan ARIMA tanpa penanganan data pencilan Dalam hal ini diperoleh nilai MAPE rata-rata berturut-turut sebesar 10,67% dibanding 12,33% dan 11,79% ketika dievaluasi menggunakan data uji. Selain itu, metode MLP memiliki kinerja yang tidak lebih baik dibanding ARIMA dengan Interpolasi Linier dengan nilai MAPE rata-rata sebesar 11,13% ketika dievaluasi menggunakan data uji. Secara keseluruhan kinerja terbaik dihasilkan oleh metode RF, yang memiliki nilai MAPE rata-rata jauh lebih kecil dibanding metode lainnya, yakni 2,85% ketika dievaluasi menggunakan data uji. Dalam kajian ini nampak bahwa Metode RF memiliki kinerja terbaik dibandingkan semua metode dalam peramalan data deret waktu yang dicobakan menggunakan data empiris yaitu harga loga mulia berjangka.Akurasi peramalan sebagai tolok ukur kinerja metode deret waktu bergantung beberapa hal, antara lain karakteristik data, pemilihan metode, fluktuasi data, dan keberadaaan pencilan dalam data. Keberadaan pencilan tersebut sering kali tidak dapat dihindari sehingga dapat mengganggu akurasi peramalan. Mempertimbangkan hal tersebut dalam penelitian ini dibahas tentang perbandingan kinerja metode Autoregressive Integrated Moving Average (ARIMA), Multi-Layer Perceptron (MLP), dan Random Forest (RF) dalam peramalan data deret waktu yang mengandung pencilan, menggunakan studi kasus data harga logam mulia berjangka (emas, perak, dan platina) berdasarkan nilai Mean Absolute Percentage Error (MAPE). Ditunjukkan bahwa kinerja metode ARIMA dengan Interpolasi Linier mampu menekan pengaruh pencilan lebih baik dibanding metode ARIMA dengan Winsorized Mean dan ARIMA tanpa penanganan data pencilan dengan nilai MAPE rata-rata berturut-turut sebesar 10,67% dibanding 12,33% dan 11,79% ketika dievaluasi menggunakan data uji. Metode MLP memiliki kinerja yang tidak lebih baik dibanding ARIMA dengan Interpolasi Linier dengan nilai MAPE rata-rata sebesar 11,13% ketika dievaluasi menggunakan data uji. Secara keseluruhan kinerja terbaik dihasilkan oleh metode RF, dengan nilai MAPE rata-rata jauh lebih kecil dibanding metode lainnya, yakni 2,85% ketika dievaluasi menggunakan data uji. Dalam kajian ini disimpulkan Metode RF memiliki kinerja terbaik dibandingkan semua metode. Hal tersebut disebabkan metode RF menggunakan prinsip decision tree sehingga lebih robust terhadap kehadiran pencilan dalam data. Berdasarkan hasil penelitian, metode RF dapat menjadi opsi untuk pemodelan data deret waktu yang mengandung pencilan.
Abstract
Forecasting accuracy as a benchmark for the performance of time series methods depends on several things, including data characteristics, method selection, data fluctuations, and the existence of outliers in the data. The existence of these outliers is often unavoidable so it can interfere with the accuracy of forecasting. Considering this, this research discusses the comparison of the performance of the Autoregressive Integrated Moving Average (ARIMA), Multi-Layer Perceptron (MLP), and Random Forest (RF) methods in forecasting time series data containing outliers, using a case study of precious metal futures price data (gold, silver, and platinum) based on the Mean Absolute Percentage Error (MAPE) value. It is shown that the performance of the ARIMA method with Linear Interpolation is able to suppress the influence of outliers better than the ARIMA method with Winsorized Mean and ARIMA without handling outlier data with the average MAPE value was obtained respectively at 10.67% compared to 12.33% and 11.79% when evaluated using test data. The MLP method has no better performance than ARIMA with Linear Interpolation with an average MAPE value of 11.13% when evaluated using test data. Overall, the best performance was produced by the RF method, which had a much smaller average MAPE value than the other methods, namely 2.85% when evaluated using test data. In this study it appears that the RF method has the best performance compared to all methods. This is because the RF method is based on decision tree principle so it is more robust to the presence of outliers in the data. Based on the research results, the RF method can be an option for modeling time series data that contains outliers.
Otomatisasi Pendeteksi Kata Baku dan Tidak Baku pada Data Twitter Berbasis KBBI
Get PDFPenelitian ini mengembangkan sistem deteksi otomatis kata-kata baku dan non-baku pada data Twitter berbasis Kamus Besar Bahasa Indonesia (KBBI). Twitter merupakan platform media sosial yang populer, namun sering kali digunakan dengan kata-kata tidak baku yang mengganggu komunikasi. Normalisasi kata-kata tidak baku diperlukan untuk pemrosesan dan analisis tweet. Penelitian sebelumnya menggunakan metode Levenshtein Distance dan pengklasifikasi Naïve Bayes, serta Term Based Random Sampling dalam proses Stopword Removal. Preprocessing penting dalam klasifikasi teks di media sosial. Penelitian ini fokus pada preprocessing dan deteksi kata-kata baku dan non-baku pada data Twitter menggunakan KBBI. Sistem otomatis ini membantu peneliti mencari kata-kata non-baku atau slang dengan mudah, meningkatkan kualitas komunikasi, dan pemahaman pesan di data Twitter yang mencerminkan tren bahasa yang berkembang. Penelitian ini juga memperkenalkan pendekatan yang terstruktur untuk mengotomatisasi deteksi kata-kata baku dan non-baku, dengan langkah-langkah yang meliputi pengumpulan data, preprocessing data, identifikasi bahasa tidak baku, penghapusan kata berimbuhan, dan identifikasi kata slang. Metode ini mendukung analisis sentimen dalam text mining dan memastikan hasil klasifikasi sentimen yang lebih akurat dalam data Twitter. Berdasarkan pengujian, langkah-langkah preprocessing meningkatkan performa metode penentuan polarity dengan accuracy InSet sebesar 66,66% dan F1-score sebesar 61,40%.Penelitian ini berfokus pada pengembangan sistem deteksi otomatis untuk membedakan kata baku dan tidak baku pada data Twitter, berdasarkan Kamus Besar Bahasa Indonesia (KBBI). Karena Twitter merupakan platform media sosial yang sering menggunakan kata-kata yang tidak baku, penelitian ini penting untuk memastikan komunikasi yang efektif. Melalui normalisasi kata-kata tidak baku, penelitian ini berkontribusi signifikan terhadap pra-pemrosesan dan analisis tweet, yang merupakan langkah penting dalam klasifikasi teks media sosial. Sistem otomatis yang dikembangkan tidak hanya membantu peneliti dengan mudah mengidentifikasi penggunaan kata-kata slang atau tidak baku, namun juga meningkatkan kualitas komunikasi dan pemahaman pesan dalam tweet yang mencerminkan tren bahasa terkini. Pendekatan yang dilakukan dalam penelitian ini meliputi langkah-langkah seperti pengumpulan data, preprocessing, identifikasi bahasa tidak baku, penghapusan kata berimbuhan, identifikasi slang, dan penggunaan metode lexicon-based untuk kamus opini. Pendekatan ini efektif dalam mendukung analisis sentimen pada teks mining dan memastikan hasil klasifikasi sentimen pada data Twitter lebih akurat. Hasil percobaan menunjukkan bahwa langkah preprocessing tersebut berhasil meningkatkan akurasi metode penentuan polarisasi, dengan tingkat akurasi InSet sebesar 66,66% dan F1-score sebesar 61,40%.
Abstract
This research focuses on developing an automatic detection system to distinguish between standard and nonstandard words in Twitter data, based on the Kamus Besar Bahasa Indonesia (KBBI). As Twitter is a social media platform that often uses nonstandard words, this research is important to ensure effective communication. Through the normalization of nonstandard words, this research contributes significantly to the pre-processing and analysis of tweets, which is an important step in social media text classification. The automated system developed not only helps researchers easily identify the use of slang or nonstandard words, but also improves the quality of communication and message understanding in tweets that reflect current language trends. The approach taken in this research includes steps such as data collection, preprocessing, nonstandard language identification, removal of affixed words, slang identification, and the use of lexicon-based methods for opinion dictionaries. This approach is effective in supporting sentiment analysis in text mining and ensures more accurate sentiment classification results on Twitter data. Experimental results show that these preprocessing steps successfully improve the accuracy of the polarization determination method, with an InSet accuracy rate of 66.66% and F1-score of 61.40%
Pengembangan Aplikasi Berlatih Membaca Cepat Berbahasa Inggris Berbasis Progressive Web App dengan Metode Prototyping
Get PDFMembaca merupakan proses memahami, menafsirkan, dan mengekstraksi informasi dari serangkaian kata yang memerlukan waktu. Melalui internet, akses membaca semakin luas dengan adanya konten seperti artikel, e-book, jurnal, dan lainnya yang mayoritas disajikan dalam bahasa Inggris. Melalui survei terhadap 30 mahasiswa mengenai kegiatan membaca cepat dan relevansinya terhadap bahasa Inggris, sebanyak 76.7% darinya tidak mengetahui kecepatan membaca mereka dan 56.7% mengaku sering membaca teks berbahasa Inggris. Ada baiknya jika kemampuan membaca cepat dilatih dengan penggunaan bahasa Inggris untuk membangun motivasi terhadap literasi digital yang luas. Melalui pengamatan tersebut, dikembangkan aplikasi berbasis progressive web app (PWA) menggunakan metode SDLC prototyping. Melalui proses prototyping sebanyak 2 kali iterasi, dihasilkan aplikasi PWA ‘Speed Reader’ yang bertujuan untuk membantu berlatih membaca cepat secara senyap dengan materi bacaan berbahasa Inggris. Hasil evaluasi pengujian menunjukkan bahwa aplikasi ini kompatibel pada perangkat mobile dan dapat berjalan secara cross-browser. Setiap fitur berhasil dijalankan dengan tingkat validitas 100% pada pengujian efektivitas. Melalui pengujian efisiensi, didapatkan waktu penyelesaian tugas sebesar 0,156 tugas per detik. Hasil pengujian kepuasan pengguna melalui pengukuran System Usability Scale (SUS) mencapai nilai 84 dengan kategori grade B dan tergolong acceptable. Dengan demikian, dapat disimpulkan bahwa pengguna berhasil mencapai tujuan mereka dan aplikasi ini layak untuk digunakan.
Abstract
Reading is a process of understanding, interpreting, and extracting information from a series of words that takes time. The internet has significantly broadened reading access, providing abundant content like articles, e-books, journals, predominantly in English. A survey conducted among 30 students explored their engagement in speed reading and its relevance to English. Surprisingly, 76.7% of participants were unaware of their reading speed, while 56.7% acknowledged frequent reading of English texts. To foster extensive digital literacy, it is advisable to train speed reading skills specifically using the English language. Based on this observation, a Progressive Web App (PWA) was developed utilizing the SDLC prototyping method. The development of an app called \u27Speed Reader\u27 was aimed to facilitate the practice of silent speed reading with English materials. Evaluation tests demonstrated the application\u27s compatibility with mobile devices and its cross-browser functionality. Each feature achieved a 100% validity rate in effectiveness testing. Moreover, efficiency testing revealed a task completion time of 0.156 tasks per second. User satisfaction assessments, conducted using the SUS method, yielded a score of 84, categorizing it as grade B and considered acceptable. It can be concluded that the users have successfully achieved their goals, and this application is deemed suitable.Membaca merupakan proses memahami, menafsirkan, dan mengekstraksi informasi dari serangkaian kata yang memerlukan waktu. Melalui internet, akses membaca semakin luas dengan adanya konten seperti artikel, e-book, jurnal, dan lainnya yang mayoritas disajikan dalam bahasa Inggris. Melalui survei terhadap 30 mahasiswa mengenai kegiatan membaca cepat dan relevansinya terhadap bahasa Inggris, sebanyak 76.7% darinya tidak mengetahui kecepatan membaca mereka dan 56.7% mengaku sering membaca teks berbahasa Inggris. Ada baiknya jika kemampuan membaca cepat dilatih dengan penggunaan bahasa Inggris untuk membangun motivasi terhadap literasi digital yang luas. Melalui pengamatan tersebut, dikembangkan aplikasi berbasis progressive web app (PWA) menggunakan metode SDLC prototyping. Melalui proses prototyping sebanyak 2 kali iterasi, dihasilkan aplikasi PWA ‘Speed Reader’ yang bertujuan untuk membantu berlatih membaca cepat secara senyap dengan materi bacaan berbahasa Inggris. Hasil evaluasi pengujian menunjukkan bahwa aplikasi ini kompatibel pada perangkat mobile dan dapat berjalan secara cross-browser. Setiap fitur berhasil dijalankan dengan tingkat validitas 100% pada pengujian efektivitas. Melalui pengujian efisiensi, didapatkan waktu penyelesaian tugas sebesar 0,156 tugas per detik. Hasil pengujian kepuasan pengguna melalui pengukuran System Usability Scale (SUS) mencapai nilai 84 dengan kategori grade B dan tergolong acceptable. Dengan demikian, dapat disimpulkan bahwa pengguna berhasil mencapai tujuan mereka dan aplikasi ini layak untuk digunakan.
Abstract
Reading is a process of understanding, interpreting, and extracting information from a series of words that takes time. The internet has significantly broadened reading access, providing abundant content like articles, e-books, journals, predominantly in English. A survey conducted among 30 students explored their engagement in speed reading and its relevance to English. Surprisingly, 76.7% of participants were unaware of their reading speed, while 56.7% acknowledged frequent reading of English texts. To foster extensive digital literacy, it is advisable to train speed reading skills specifically using the English language. Based on this observation, a Progressive Web App (PWA) was developed utilizing the SDLC prototyping method. The development of an app called \u27Speed Reader\u27 was aimed to facilitate the practice of silent speed reading with English materials. Evaluation tests demonstrated the application\u27s compatibility with mobile devices and its cross-browser functionality. Each feature achieved a 100% validity rate in effectiveness testing. Moreover, efficiency testing revealed a task completion time of 0.156 tasks per second. User satisfaction assessments, conducted using the SUS method, yielded a score of 84, categorizing it as grade B and considered acceptable. It can be concluded that the users have successfully achieved their goals, and this application is deemed suitable
Pengukuran Kesadaran Keamanan Informasi Pegawai (Studi Kasus : PT Meshindo Jayatama)
Get PDFIntegrasi teknologi dalam organisasi meningkatkan pertukaran informasi yang membuat organisasi lebih rentan terhadap serangan siber. Laporan Publik Hasil Monitoring Keamanan Siber Bulan April 2023 Badan Siber dan Sandi negara (BSSN) menyatakan terdapat 27.476.788 anomali trafik dan tertinggi adalah malware sebanyak 14.235.050. Serangan cyber juga dialami oleh PT Meshindo Jayatama yang memiliki data informasi penting sebagai aset dalam mendukung kegiatan usahanya. Hasil wawancara dengan Presiden Direktur dan Manager Teknologi Informasi (TI) PT Meshindo Jayatama menyatakan bahwa telah terjadi serangan seperti Phishing dan Malware sebanyak 26 kali ditahun 2023. Dengan adanya serangan malware yang mengakibatkan terinfeksinya dokumen laporan perusahaan dan kerugian finansial yang disebabkan oleh faktor kelalaian sumber daya manusia, menjadi pertimbangan perlu untuk dilakukan pengukuran kesadaran keamanan informasi dan mengetahui area yang perlu ditingkatkan. Penelitian ini menggunakan kuesioner sebagai metode pengumpulan data yang disusun berdasarkan Human Aspects of Information Security Questionnaire (HAIS-Q) dengan kerangka kerja Knowledge Attitude Behavior (KAB) dan penskalaan prioritas menggunakan Analytic Hierarchy Process (AHP). Hasil pengukuran kesadaran keamanan informasi pegawai PT Meshindo Jayatama berada dilevel “baik” dengan nilai 83,40%. Dari pengukuran tersebut, diketahui terdapat fokus area pada level “sedang” yaitu penggunaan perangkat mobile dan pengelolaan password. selanjutnya, Peneliti memberikan saran untuk diselenggarakan program pelatihan keamanan informasi dengan media yang menarik dan dilakukan secara berkelanjutan dan perlu diterapkan atau diperbaharui seluruh kebijakan terkait keamanan informasi perusahaan.Integrasi teknologi dalam organisasi meningkatkan pertukaran informasi yang membuat organisasi lebih rentan terhadap serangan siber. Laporan Publik Hasil Monitoring Keamanan Siber Bulan April 2023 Badan Siber dan Sandi negara (BSSN) menyatakan terdapat 27.476.788 anomali trafik dan tertinggi adalah malware sebanyak 14.235.050. Serangan cyber juga dialami oleh PT Meshindo Jayatama yang memiliki data informasi penting sebagai aset dalam mendukung kegiatan usahanya. Hasil wawancara dengan Presiden Direktur dan Manager Teknologi Informasi (TI) PT Meshindo Jayatama menyatakan bahwa telah terjadi serangan seperti Phishing dan Malware sebanyak 26 kali ditahun 2023. Dengan adanya serangan malware yang mengakibatkan terinfeksinya dokumen laporan perusahaan dan kerugian finansial yang disebabkan oleh faktor kelalaian sumber daya manusia, menjadi pertimbangan perlu untuk dilakukan pengukuran kesadaran keamanan informasi dan mengetahui area yang perlu ditingkatkan. Penelitian ini menggunakan kuesioner sebagai metode pengumpulan data yang disusun berdasarkan Human Aspects of Information Security Questionnaire (HAIS-Q) dengan kerangka kerja Knowledge Attitude Behavior (KAB) dan penskalaan prioritas menggunakan Analytic Hierarchy Process (AHP). Hasil pengukuran kesadaran keamanan informasi pegawai PT Meshindo Jayatama berada dilevel “baik” dengan nilai 83,40%. Dari pengukuran tersebut, diketahui terdapat fokus area pada level “sedang” yaitu penggunaan perangkat mobile dan pengelolaan password. selanjutnya, Peneliti memberikan saran untuk diselenggarakan program pelatihan keamanan informasi dengan media yang menarik dan dilakukan secara berkelanjutan dan perlu diterapkan atau diperbaharui seluruh kebijakan terkait keamanan informasi perusahaan.
Abstract
The integration of technology in organizations increases the exchange of information making organizations more vulnerable to cyber attacks. Public Report on Cyber Security Monitoring Results for April 2023, the National Cyber and Crypto Agency (BSSN) stated that there were 27,476,788 traffic anomalies and the highest was malware at 14,235,050. Cyber attacks were also experienced by PT Meshindo Jayatama, which has important information data as assets to support its business activities. The results of interviews with the President Director and Information Technology (IT) Manager of PT Meshindo Jayatama stated that attacks such as Phishing and Malware had occurred 26 times in 2023. These malware attacks resulted in the infection of company report documents and financial losses caused by human resource negligence, it is necessary to measure information security awareness and identify areas that need to be improved. In this research, a questionnaire was used as a data collection method which was prepared based on the Human Aspects of Information Security Questionnaire (HAIS-Q) with the Knowledge Attitude Behavior (KAB) framework and priority scaling using the Analytic Hierarchy Process (AHP). The results of measuring the information security awareness of PT Meshindo Jayatama employees were at the "good" level (83.40%). There is a focus area at the "medium" level, namely the use of mobile devices and password management. Researchers provide suggestions for holding security training programs with interesting media and carried out on an ongoing basis and need to implement or update all policies related to company information security.