Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Deteksi dan Klasifikasi Hama Potato Beetle pada Tanaman Kentang Menggunakan Yolov8
Get PDFKentang (Solanum tuberosum L.) adalah tanaman pangan penting dengan nilai ekonomi yang tinggi dan menyumbang gizi yang besar bagi manusia. Produksi kentang terhambat oleh serangan penyakit dan hama potato beetle (Leptinotarsa decemlineata Say). Hama ini secara signifikan mempengaruhi hasil panen kentang maka perlu penanganan yang efektif untuk mencegah penurunan produksi yang berkelanjutan. Metode yang digunakan untuk mendeteksi dan mengklasifikasikan potato beetle adalah Convolutional Neural Network (CNN) yang merupakan algoritma jaringan syaraf tiruan yang efektif dalam pengolahan citra. Model YOLOv8 (You Only Look Once) diimplementasikan untuk mendeteksi objek pada gambar dengan mengidentifikasi posisi dan kelas dari potato beetle. Data yang digunakan untuk pelatihan adalah menggunakan framework PyTorch yang telah dipecah menjadi data training, data validation, dan data test. Hasil penelitian menunjukkan model yang dikembangkan memiliki tingkat akurasi yang memadai dalam mendeteksi dan mengklasifikasikan potato beetle. Evaluasi model melibatkan pengukuran Mean Average Precision (mAP) dan F1-Score berdasarkan konsep Precision dan Recall. Secara keseluruhan, model ini mencapai mAP50 sebesar 81,8%, yang mengindikasikan tingkat keseluruhan akurasi deteksi yang baik. Namun perlu perbaikan dalam mAP50-95 untuk mengukur akurasi deteksi pada tingkat lebih ketat. Model ini mampu mengklasifikasikan objek dengan precision sebesar 78,1% dan recall sebesar 89,8%. Dalam evaluasi kelas objek individu, model ini berhasil mendeteksi objek guk (potato beetle) dengan tingkat akurasi mencapai precision sebesar 88,1% dan recall sebesar 90,3%. Sedangkan objek lich juga mendapatkan hasil precision 72,8% dan recall 76,8%. Namun, perlu diperhatikan bahwa mAP50-95 pada objek lich menunjukkan penurunan yang lebih tinggi dibandingkan dengan objek guk.
Abstract
Potato (Solanum tuberosum L.) is a vital food crop with high economic value and a significant source of nutrition for humans. The production of potatoes is hindered by the infestation of the potato beetle (Leptinotarsa decemlineata Say), a pest that significantly impacts potato yields. Effective measures are needed to prevent sustained decreases in production. The Convolutional Neural Network (CNN) algorithm, which is effective in image processing, is utilized for the detection and classification of potato beetles. The YOLOv8 (You Only Look Once) model is implemented to detect objects in images, identifying the position and class of potato beetles. The data used for training is divided into training, validation, and testing datasets using the PyTorch framework. The research results indicate that the developed model achieves an adequate level of accuracy in detecting and classifying potato beetles. Model evaluation involves measurements of Mean Average Precision (mAP) and F1-Score based on Precision and Recall concepts. Overall, the model achieves an mAP50 of 81,8%, indicating a good overall detection accuracy level. However, there is room for improvement in mAP50-95 to measure detection accuracy at stricter levels. This model is capable of classifying objects with a precision of 78,1% and a recall of 89,8%. In the evaluation of individual object classes, the model successfully detects potato beetles with a precision of 88,1% and a recall of 90,3%. Meanwhile, the "lich" object achieves a precision of 72,8% and a recall of 76,8%. It should be noted that the mAP50-95 for the "lich" object shows a higher decrease compared to the "guk" object.Kentang (Solanum tuberosum L.) adalah tanaman pangan penting dengan nilai ekonomi yang tinggi dan menyumbang gizi yang besar bagi manusia. Produksi kentang terhambat oleh serangan penyakit dan hama potato beetle (Leptinotarsa decemlineata Say). Hama ini secara signifikan mempengaruhi hasil panen kentang maka perlu penanganan yang efektif untuk mencegah penurunan produksi yang berkelanjutan. Metode yang digunakan untuk mendeteksi dan mengklasifikasikan potato beetle adalah Convolutional Neural Network (CNN) yang merupakan algoritma jaringan syaraf tiruan yang efektif dalam pengolahan citra. Model YOLOv8 (You Only Look Once) diimplementasikan untuk mendeteksi objek pada gambar dengan mengidentifikasi posisi dan kelas dari potato beetle. Data yang digunakan untuk pelatihan adalah menggunakan framework PyTorch yang telah dipecah menjadi data training, data validation, dan data test. Hasil penelitian menunjukkan model yang dikembangkan memiliki tingkat akurasi yang memadai dalam mendeteksi dan mengklasifikasikan potato beetle. Evaluasi model melibatkan pengukuran Mean Average Precision (mAP) dan F1-Score berdasarkan konsep Precision dan Recall. Secara keseluruhan, model ini mencapai mAP50 sebesar 81,8%, yang mengindikasikan tingkat keseluruhan akurasi deteksi yang baik. Namun perlu perbaikan dalam mAP50-95 untuk mengukur akurasi deteksi pada tingkat lebih ketat. Model ini mampu mengklasifikasikan objek dengan precision sebesar 78,1% dan recall sebesar 89,8%. Dalam evaluasi kelas objek individu, model ini berhasil mendeteksi objek guk (potato beetle) dengan tingkat akurasi mencapai precision sebesar 88,1% dan recall sebesar 90,3%. Sedangkan objek lich juga mendapatkan hasil precision 72,8% dan recall 76,8%. Namun, perlu diperhatikan bahwa mAP50-95 pada objek lich menunjukkan penurunan yang lebih tinggi dibandingkan dengan objek guk.
Abstract
Potato (Solanum tuberosum L.) is a vital food crop with high economic value and a significant source of nutrition for humans. The production of potatoes is hindered by the infestation of the potato beetle (Leptinotarsa decemlineata Say), a pest that significantly impacts potato yields. Effective measures are needed to prevent sustained decreases in production. The Convolutional Neural Network (CNN) algorithm, which is effective in image processing, is utilized for the detection and classification of potato beetles. The YOLOv8 (You Only Look Once) model is implemented to detect objects in images, identifying the position and class of potato beetles. The data used for training is divided into training, validation, and testing datasets using the PyTorch framework. The research results indicate that the developed model achieves an adequate level of accuracy in detecting and classifying potato beetles. Model evaluation involves measurements of Mean Average Precision (mAP) and F1-Score based on Precision and Recall concepts. Overall, the model achieves an mAP50 of 81,8%, indicating a good overall detection accuracy level. However, there is room for improvement in mAP50-95 to measure detection accuracy at stricter levels. This model is capable of classifying objects with a precision of 78,1% and a recall of 89,8%. In the evaluation of individual object classes, the model successfully detects potato beetles with a precision of 88,1% and a recall of 90,3%. Meanwhile, the "lich" object achieves a precision of 72,8% and a recall of 76,8%. It should be noted that the mAP50-95 for the "lich" object shows a higher decrease compared to the "guk" object
Aplikasi Resep Makanan Bergizi Membantu Pencegahan Stunting Menggunakan Metodologi Agile Framework Scrum
Get PDFKementerian Kesehatan RI menyebutkan bahwa 1 dari 3 anak di Indonesia menderita stunting. Pola makan anak dapat menjadi salah satu faktor penyebab langsung yang bisa berdampak pada stunting. Permasalahan yang terjadi adalah kurangnya pengetahuan ibu terhadap stunting dan gizi anak serta bagaimana memberikan makanan yang bergizi kepada anaknya. Berdasarkan hal tersebut penelitian ini bertujuan untuk membuat aplikasi resep makanan yang disertai informasi nilai gizi untuk balita. Penelitian ini menggunakan metodologi Agile dengan framework Scrum dengan penggunaan aplikasi Github Project sebagai alat pemantau aktivitas selama pelaksanaan proyek pembangunan aplikasi. Aplikasi dibangun dalam platform mobile menggunakan bahasa Dart dan framework Flutter. Temuan utama dari penelitian ini adalah aplikasi yang dapat meningkatkan pengetahuan ibu mengenai stunting dan gizi anak yang sesuai dengan rekomendasi Kementerian Kesehatan RI dan UNICEF serta memberikan kemudahan dalam penyesuaian perangkat lunak ketika terjadi perubahan kebutuhan selama pengembangan. Pengujian menunjukkan aplikasi berjalan dengan baik sesuai test case dan selesai tepat waktu dengan total 487 jam setara 61 hari kerja. Aplikasi ini menyajikan dan menyimpan resep makanan bergizi, menghitung status gizi balita, serta menyediakan informasi tentang isu stunting dan kalkulator stunting.
Abstract
The Indonesian Ministry of Health states that 1 in 3 children in Indonesia suffer from stunting. A child\u27s diet can be one of the direct causative factors that impact stunting. The issue at hand is the lack of maternal knowledge regarding stunting and child nutrition, as well as how to provide nutritious food to their children. Based on this, the aim of this study is to develop a recipe application that includes nutritional information for toddlers. This research employs the Agile methodology with the Scrum framework, utilizing the GitHub Project application as a tool for monitoring activities during the application development project. The application was built on a mobile platform using the Dart language and the Flutter framework. The main finding of this study is an application that can enhance mothers\u27 knowledge about stunting and child nutrition, in accordance with the recommendations of the Indonesian Ministry of Health and UNICEF, while also providing ease in software adjustment when changes in requirements occur during development. Testing showed that the application performed well according to test cases and was completed on time, with a total of 487 hours equivalent to 61 working days. The application presents and stores nutritious food recipes, calculates the nutritional status of toddlers, and provides information on stunting issues and a stunting calculator.Kementerian Kesehatan RI menyebutkan bahwa 1 dari 3 anak di Indonesia menderita stunting. Pola makan anak dapat menjadi salah satu faktor penyebab langsung yang bisa berdampak pada stunting. Permasalahan yang terjadi adalah kurangnya pengetahuan ibu terhadap stunting dan gizi anak serta bagaimana memberikan makanan yang bergizi kepada anaknya. Berdasarkan hal tersebut penelitian ini bertujuan untuk membuat aplikasi resep makanan yang disertai informasi nilai gizi untuk balita. Penelitian ini menggunakan metodologi Agile dengan framework Scrum dengan penggunaan aplikasi Github Project sebagai alat pemantau aktivitas selama pelaksanaan proyek pembangunan aplikasi. Aplikasi dibangun dalam platform mobile menggunakan bahasa Dart dan framework Flutter. Temuan utama dari penelitian ini adalah aplikasi yang dapat meningkatkan pengetahuan ibu mengenai stunting dan gizi anak yang sesuai dengan rekomendasi Kementerian Kesehatan RI dan UNICEF serta memberikan kemudahan dalam penyesuaian perangkat lunak ketika terjadi perubahan kebutuhan selama pengembangan. Pengujian menunjukkan aplikasi berjalan dengan baik sesuai test case dan selesai tepat waktu dengan total 487 jam setara 61 hari kerja. Aplikasi ini menyajikan dan menyimpan resep makanan bergizi, menghitung status gizi balita, serta menyediakan informasi tentang isu stunting dan kalkulator stunting.
Abstract
The Indonesian Ministry of Health states that 1 in 3 children in Indonesia suffer from stunting. A child\u27s diet can be one of the direct causative factors that impact stunting. The issue at hand is the lack of maternal knowledge regarding stunting and child nutrition, as well as how to provide nutritious food to their children. Based on this, the aim of this study is to develop a recipe application that includes nutritional information for toddlers. This research employs the Agile methodology with the Scrum framework, utilizing the GitHub Project application as a tool for monitoring activities during the application development project. The application was built on a mobile platform using the Dart language and the Flutter framework. The main finding of this study is an application that can enhance mothers\u27 knowledge about stunting and child nutrition, in accordance with the recommendations of the Indonesian Ministry of Health and UNICEF, while also providing ease in software adjustment when changes in requirements occur during development. Testing showed that the application performed well according to test cases and was completed on time, with a total of 487 hours equivalent to 61 working days. The application presents and stores nutritious food recipes, calculates the nutritional status of toddlers, and provides information on stunting issues and a stunting calculator
Penerapan Metode K-Means Clustering Dan Simple Moving Average Untuk Memprediksi Jenis Penyakit Di Provinsi Jawa Timur
Get PDFBerdasarkan buku Profil Kesehatan Provinsi Jawa Timur dari tahun 2017 hingga 2021, terlihat bahwa banyak penyakit menjadi perhatian di 38 kota atau kabupaten di Jawa Timur. Dari data tersebut, belum jelas daerah mana yang perlu mendapatkan prioritas penanganan. Terdapat kesulitan pengidentifikasian daerah prioritas dalam penanganan penyakit. Tujuan penelitian adalah mengelompokkan kasus ke dalam kelompok yang relevan dan dapat diidentifikasi, memprediksi tren kasus penyakit berdasarkan data historis di setiap daerah dari tahun ke tahun, membangun sistem berbasis website sebagai media implementasi prediksi dan clustering. Tahapan penelitian meliputi studi literatur, pengembangan model clustering menggunakan K-Means dan prediksi menggunakan Simple Moving Average, pengembangan sistem menggunakan MySQL, PHP dan Angular. Metode K-Means Clustering membagi data ke dalam beberapa kelompok berdasarkan karakteristik yang mirip, sehingga lebih mudah untuk mengidentifikasi pola dan tren yang tersembunyi dalam data kesehatan. Simple Moving Average menggunakan rata-rata data masa lalu untuk memperhalus perubahan jangka pendek dan menemukan pola jangka panjang. Hasil penelitian menunjukkan berhasilnya implementasi clustering dalam 3 cluster: rendah, sedang dan tinggi. Prediksi tren kasus penyakit berhasil diterapkan menggunakan data historis periode 5 tahun, memberikan wawasan signifikan untuk perencanaan kesehatan. Uji fungsional dan kompatibilitas browser menunjukkan bahwa sistem berjalan sesuai harapan di berbagai lingkungan. Pengujian usability dengan metode WebQual 4.0 menunjukkan nilai rata-rata 4,34 (sangat baik), mengonfirmasi keberhasilan sistem dalam memenuhi kebutuhan pengguna. Hasil penelitian ini memiliki implikasi praktis untuk meningkatkan efektivitas pengelolaan penanggulangan penyakit di Provinsi Jawa Timur dengan mengidentifikasi prioritas daerah secara lebih akurat dan membuat keputusan yang lebih baik berdasarkan data.
Abstract
Based on the East Java Provincial Health Profile book from 2017 to 2021, it appears that many diseases are a concern in 38 cities or districts in East Java. From this data, it is not clear which areas need priority handling. There are difficulties in identifying priority areas in disease management. The research objectives are to cluster cases into relevant and identifiable groups, predict trends in disease cases based on historical data in each region from year to year, build a website-based system as a medium for implementing predictions and clustering. The research stages include literature study, clustering model development using K-Means and prediction using Simple Moving Average, system development using MySQL, PHP and Angular. The K-Means Clustering method divides data into groups based on similar characteristics, making it easier to identify patterns and trends hidden in health data. Simple Moving Average uses the average of past data to smooth out short-term changes and find long-term patterns. The results showed the successful implementation of clustering in 3 clusters: low, medium and high. Disease case trend prediction was successfully implemented using historical data over a 5-year period, providing significant insights for health planning. Functional and browser compatibility tests showed that the system runs as expected in various environments. Usability testing with the WebQual 4.0 method showed an average score of 4.34 (excellent), confirming the success of the system in meeting user needs. The results of this study have practical implications for improving the effectiveness of disease management in East Java Province by more accurately identifying regional priorities and making better decisions based on data.Berdasarkan buku Profil Kesehatan Provinsi Jawa Timur dari tahun 2017 hingga 2021, terlihat bahwa banyak penyakit menjadi perhatian di 38 kota atau kabupaten di Jawa Timur. Dari data tersebut, belum jelas daerah mana yang perlu mendapatkan prioritas penanganan. Terdapat kesulitan pengidentifikasian daerah prioritas dalam penanganan penyakit. Tujuan penelitian adalah mengelompokkan kasus ke dalam kelompok yang relevan dan dapat diidentifikasi, memprediksi tren kasus penyakit berdasarkan data historis di setiap daerah dari tahun ke tahun, membangun sistem berbasis website sebagai media implementasi prediksi dan clustering. Tahapan penelitian meliputi studi literatur, pengembangan model clustering menggunakan K-Means dan prediksi menggunakan Simple Moving Average, pengembangan sistem menggunakan MySQL, PHP dan Angular. Metode K-Means Clustering membagi data ke dalam beberapa kelompok berdasarkan karakteristik yang mirip, sehingga lebih mudah untuk mengidentifikasi pola dan tren yang tersembunyi dalam data kesehatan. Simple Moving Average menggunakan rata-rata data masa lalu untuk memperhalus perubahan jangka pendek dan menemukan pola jangka panjang. Hasil penelitian menunjukkan berhasilnya implementasi clustering dalam 3 cluster: rendah, sedang dan tinggi. Prediksi tren kasus penyakit berhasil diterapkan menggunakan data historis periode 5 tahun, memberikan wawasan signifikan untuk perencanaan kesehatan. Uji fungsional dan kompatibilitas browser menunjukkan bahwa sistem berjalan sesuai harapan di berbagai lingkungan. Pengujian usability dengan metode WebQual 4.0 menunjukkan nilai rata-rata 4,34 (sangat baik), mengonfirmasi keberhasilan sistem dalam memenuhi kebutuhan pengguna. Hasil penelitian ini memiliki implikasi praktis untuk meningkatkan efektivitas pengelolaan penanggulangan penyakit di Provinsi Jawa Timur dengan mengidentifikasi prioritas daerah secara lebih akurat dan membuat keputusan yang lebih baik berdasarkan data.
Abstract
Based on the East Java Provincial Health Profile book from 2017 to 2021, it appears that many diseases are a concern in 38 cities or districts in East Java. From this data, it is not clear which areas need priority handling. There are difficulties in identifying priority areas in disease management. The research objectives are to cluster cases into relevant and identifiable groups, predict trends in disease cases based on historical data in each region from year to year, build a website-based system as a medium for implementing predictions and clustering. The research stages include literature study, clustering model development using K-Means and prediction using Simple Moving Average, system development using MySQL, PHP and Angular. The K-Means Clustering method divides data into groups based on similar characteristics, making it easier to identify patterns and trends hidden in health data. Simple Moving Average uses the average of past data to smooth out short-term changes and find long-term patterns. The results showed the successful implementation of clustering in 3 clusters: low, medium and high. Disease case trend prediction was successfully implemented using historical data over a 5-year period, providing significant insights for health planning. Functional and browser compatibility tests showed that the system runs as expected in various environments. Usability testing with the WebQual 4.0 method showed an average score of 4.34 (excellent), confirming the success of the system in meeting user needs. The results of this study have practical implications for improving the effectiveness of disease management in East Java Province by more accurately identifying regional priorities and making better decisions based on data
Analisis Performa Ekstraksi Konten GPT-3 Dengan Matrik Bertscore Dan Rouge
Get PDFIntegrasi model bahasa canggih dalam tugas-tugas pembangkitan teks telah menampilkan beberapa aplikasi yang luas di berbagai bidang, termasuk ekstraksi konten. Penelitian ini memanfaatkan model bahasa OpenAI GPT-3 untuk mengembangkan aplikasi yang membantu dalam proses persiapan konten penulisan kreatif dengan menerapkan fitur ekstraksi konten. Fitur-fitur ini mencakup ekstraksi informasi, meringkas paragraf, mengidentifikasi topik utama, dan menafsirkan teks untuk presentasi terminologi yang optimal. Penelitian ini menggunakan pendekatan \u27few-shot learning\u27 yang melekat pada model GPT-3. Kinerja aplikasi ini dievaluasi secara ketat melalui uji coba, membandingkan efektivitasnya dengan mesin pembangkitan teks komersial yang banyak digunakan saat ini. Tujuannya adalah menganalisis tingkat kelayakan sistem yang telah kami bangun terhadap aplikasi lain yang populer. Metrik evaluasi termasuk BERTscore dan ROUGE digunakan sebagai pengujian. Aplikasi ini mencapai BERTscore sebesar 86% untuk precision, 88% untuk recall, dan 87% untuk F1-Score. Selain itu, evaluasi ROUGE menghasilkan skor ROUGE-L sebesar 55% pada precision, 60% pada recall, dan 57% pada F1-Score, hasil tersebut menunjukkan kekuatan model dalam tugas ekstraksi konten. Hasil ini memberikan gambaran bahwa model GPT-3 berpotensi baik dalam meningkatkan efisiensi dan akurasi untuk tugas persiapan konten tulisan dalam industri penulisan kreatif.
Abstract
The integration of advanced language models in text generation tasks has featured some extensive applications in various fields, including content extraction. This research utilises the OpenAI GPT-3 language model to develop an application that assists in the content preparation process of creative writing by implementing content extraction features. These features include information extraction, summarising paragraphs, identifying main topics, and interpreting text for optimal terminology presentation. This research utilises the ‘few-shot learning’ approach inherent to the GPT-3 model. The performance of this application was rigorously evaluated through trials, comparing its effectiveness with commercial text generation engines widely used today. The aim is to analyse the feasibility of the system we have built against other popular applications. Evaluation metrics including BERTscore and ROUGE were used as tests. The application achieved a BERTscore of 86% for precision, 88% for recall, and 87% for F1-Score. In addition, the ROUGE evaluation resulted in ROUGE-L scores of 55% in precision, 60% in recall, and 57% in F1-Score, these results show the strength of the model in the content extraction task. These results illustrate that the GPT-3 model has good potential in improving efficiency and accuracy for the task of writing content preparation in the creative writing industry.Integrasi model bahasa canggih dalam tugas-tugas pembangkitan teks telah menampilkan beberapa aplikasi yang luas di berbagai bidang, termasuk ekstraksi konten. Penelitian ini memanfaatkan model bahasa OpenAI GPT-3 untuk mengembangkan aplikasi yang membantu dalam proses persiapan konten penulisan kreatif dengan menerapkan fitur ekstraksi konten. Fitur-fitur ini mencakup ekstraksi informasi, meringkas paragraf, mengidentifikasi topik utama, dan menafsirkan teks untuk presentasi terminologi yang optimal. Penelitian ini menggunakan pendekatan \u27few-shot learning\u27 yang melekat pada model GPT-3. Kinerja aplikasi ini dievaluasi secara ketat melalui uji coba, membandingkan efektivitasnya dengan mesin pembangkitan teks komersial yang banyak digunakan saat ini. Tujuannya adalah menganalisis tingkat kelayakan sistem yang telah kami bangun terhadap aplikasi lain yang populer. Metrik evaluasi termasuk BERTscore dan ROUGE digunakan sebagai pengujian. Aplikasi ini mencapai BERTscore sebesar 86% untuk precision, 88% untuk recall, dan 87% untuk F1-Score. Selain itu, evaluasi ROUGE menghasilkan skor ROUGE-L sebesar 55% pada precision, 60% pada recall, dan 57% pada F1-Score, hasil tersebut menunjukkan kekuatan model dalam tugas ekstraksi konten. Hasil ini memberikan gambaran bahwa model GPT-3 berpotensi baik dalam meningkatkan efisiensi dan akurasi untuk tugas persiapan konten tulisan dalam industri penulisan kreatif.
Abstract
The integration of advanced language models in text generation tasks has featured some extensive applications in various fields, including content extraction. This research utilises the OpenAI GPT-3 language model to develop an application that assists in the content preparation process of creative writing by implementing content extraction features. These features include information extraction, summarising paragraphs, identifying main topics, and interpreting text for optimal terminology presentation. This research utilises the ‘few-shot learning’ approach inherent to the GPT-3 model. The performance of this application was rigorously evaluated through trials, comparing its effectiveness with commercial text generation engines widely used today. The aim is to analyse the feasibility of the system we have built against other popular applications. Evaluation metrics including BERTscore and ROUGE were used as tests. The application achieved a BERTscore of 86% for precision, 88% for recall, and 87% for F1-Score. In addition, the ROUGE evaluation resulted in ROUGE-L scores of 55% in precision, 60% in recall, and 57% in F1-Score, these results show the strength of the model in the content extraction task. These results illustrate that the GPT-3 model has good potential in improving efficiency and accuracy for the task of writing content preparation in the creative writing industry
Analisis Perbandingan Model Bert Dan Xlnet Untuk Klasifikasi Tweet Bully Pada Twitter
Get PDFFenomena bullying di media sosial, khususnya di Twitter, telah menjadi isu yang semakin memprihatinkan dengan dampak signifikan terhadap kesehatan mental pengguna. Dalam rangka mengatasi masalah ini, deteksi otomatis tweet yang mengandung konten bullying menjadi sangat penting. Penelitian ini bertujuan untuk membandingkan performa dua model pemrosesan bahasa alami terbaru, yaitu BERT (Bidirectional Encoder Representations from Transformers) dan XLNet, dalam klasifikasi tweet yang mengandung bullying. Metodologi penelitian ini melibatkan pengumpulan dataset tweet yang telah dilabeli sebagai bullying atau non-bullying. Proses preprocessing teks dilakukan untuk membersihkan dan menyiapkan data sebelum digunakan dalam pelatihan model. Kedua model, BERT dan XLNet, dilatih dan diuji menggunakan dataset yang sama. Evaluasi performa dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua model memiliki kemampuan yang baik dalam mengidentifikasi tweet bullying, akan tetapi XLNet menunjukkan performa yang lebih unggul dibandingkan BERT dengan tingkat akurasi sebesar 95%. Dengan nilai presisi = 100%, recall = 0,87%, dan F1-score = 0,88%. XLNet mampu menangkap konteks dan nuansa bahasa yang lebih kompleks dalam tweet, yang berkontribusi pada akurasi klasifikasi yang lebih tinggi. Penelitian ini memberikan kontribusi penting dalam bidang deteksi bullying di media sosial dengan menunjukkan bahwa penggunaan model XLNet lebih efektif dibandingkan BERT. Temuan ini dapat membantu platform seperti Twitter dalam mengidentifikasi dan mencegah konten bullying, sehingga menciptakan lingkungan online yang lebih aman bagi pengguna, serta dapat digunakan sebagai dasar untuk pengembangan sistem deteksi bullying yang lebih canggih dan efisien di masa depan.
Abstract
The phenomenon of bullying on social media, particularly on Twitter, has become an increasingly concerning issue with significant impacts on users\u27 mental health. In order to address this issue, automatic detection of tweets containing bullying content is crucial. This study aims to compare the performance of two recent natural language processing models, namely BERT (Bidirectional Encoder Representations from Transformers) and XLNet, in the classification of tweets containing bullying. The research methodology involves collecting a dataset of tweets that have been labelled as bullying or non-bullying. Text preprocessing is done to clean and prepare the data before it is used in model training. Both models, BERT and XLNet, were trained and tested using the same dataset. Performance evaluation was conducted using accuracy, precision, recall, and F1-score metrics. The results show that both models have a good ability to identify bullying tweets, but XLNet shows superior performance compared to BERT with an accuracy rate of 95%. With precision = 100%, recall = 0.87%, and F1-score = 0.88%. XLNet is able to capture more complex context and language nuances in tweets, which contributes to higher classification accuracy. This research makes an important contribution to the field of bullying detection on social media by showing that the use of the XLNet model is more effective than BERT. These findings can help platforms like Twitter identify and prevent bullying content, thereby creating a safer online environment for users, and can be used as a basis for the development of more sophisticated and efficient bullying detection systems in the future.Fenomena bullying di media sosial, khususnya di Twitter, telah menjadi isu yang semakin memprihatinkan dengan dampak signifikan terhadap kesehatan mental pengguna. Dalam rangka mengatasi masalah ini, deteksi otomatis tweet yang mengandung konten bullying menjadi sangat penting. Penelitian ini bertujuan untuk membandingkan performa dua model pemrosesan bahasa alami terbaru, yaitu BERT (Bidirectional Encoder Representations from Transformers) dan XLNet, dalam klasifikasi tweet yang mengandung bullying. Metodologi penelitian ini melibatkan pengumpulan dataset tweet yang telah dilabeli sebagai bullying atau non-bullying. Proses preprocessing teks dilakukan untuk membersihkan dan menyiapkan data sebelum digunakan dalam pelatihan model. Kedua model, BERT dan XLNet, dilatih dan diuji menggunakan dataset yang sama. Evaluasi performa dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua model memiliki kemampuan yang baik dalam mengidentifikasi tweet bullying, akan tetapi XLNet menunjukkan performa yang lebih unggul dibandingkan BERT dengan tingkat akurasi sebesar 95%. Dengan nilai presisi = 100%, recall = 0,87%, dan F1-score = 0,88%. XLNet mampu menangkap konteks dan nuansa bahasa yang lebih kompleks dalam tweet, yang berkontribusi pada akurasi klasifikasi yang lebih tinggi. Penelitian ini memberikan kontribusi penting dalam bidang deteksi bullying di media sosial dengan menunjukkan bahwa penggunaan model XLNet lebih efektif dibandingkan BERT. Temuan ini dapat membantu platform seperti Twitter dalam mengidentifikasi dan mencegah konten bullying, sehingga menciptakan lingkungan online yang lebih aman bagi pengguna, serta dapat digunakan sebagai dasar untuk pengembangan sistem deteksi bullying yang lebih canggih dan efisien di masa depan.
Abstract
The phenomenon of bullying on social media, particularly on Twitter, has become an increasingly concerning issue with significant impacts on users\u27 mental health. In order to address this issue, automatic detection of tweets containing bullying content is crucial. This study aims to compare the performance of two recent natural language processing models, namely BERT (Bidirectional Encoder Representations from Transformers) and XLNet, in the classification of tweets containing bullying. The research methodology involves collecting a dataset of tweets that have been labelled as bullying or non-bullying. Text preprocessing is done to clean and prepare the data before it is used in model training. Both models, BERT and XLNet, were trained and tested using the same dataset. Performance evaluation was conducted using accuracy, precision, recall, and F1-score metrics. The results show that both models have a good ability to identify bullying tweets, but XLNet shows superior performance compared to BERT with an accuracy rate of 95%. With precision = 100%, recall = 0.87%, and F1-score = 0.88%. XLNet is able to capture more complex context and language nuances in tweets, which contributes to higher classification accuracy. This research makes an important contribution to the field of bullying detection on social media by showing that the use of the XLNet model is more effective than BERT. These findings can help platforms like Twitter identify and prevent bullying content, thereby creating a safer online environment for users, and can be used as a basis for the development of more sophisticated and efficient bullying detection systems in the future
Simulasi Penggunaan Blockchain Pada Keamanan Jaringan Internet Of Things Menggunakan Pin Emulator: Model Public Blockchain
Get PDFInternet of Things (IoT) adalah sejumlah perangkat yang dapat mengumpulkan dan mengirimkan data antar sensor tanpa perlu bantuan manusia. Namun, keamanan IoT dapat terancam karena sifatnya yang dapat diakses dari mana saja dan kapan saja. Celah keamanan memiliki kemungkinan sukar untuk dideteksi, karena memiliki pola yang beragam. Oleh karena itu, diperlukan sebuah model keamanan pengiriman data antar sensor yang aman. Blockchain adalah teknologi yang dapat menjawab tiga syarat keamanan yang diperlukan, yaitu ketersediaan, kerahasiaan, dan integritas. Dalam penelitian ini, kami mencoba membangun sebuah simulasi keamanan IoT dengan menggunakan teknologi blockchain, dimana sistem keamanannya menggunakan pola public blockchain. Metode yang digunakan dalam penelitian ini adalah model public blockchain yang memungkinkan para pengguna untuk mengendalikan aplikasi yang terhubung pada pin emulator melalui smart contract. Penelitian ini menggunakan jejaring Ethereum yang termasuk dalam jaringan pengujian yang dapat digunakan tanpa adanya biaya transaksi yang perlu dibayar. Dengan adanya penelitian ini, diharapkan dapat memberikan solusi pada permasalahan keamanan dan tantangan yang dihadapi dalam jaringan IoT.Internet of Things (IoT) adalah sejumlah perangkat yang dapat mengumpulkan dan mengirimkan data antar sensor tanpa perlu bantuan manusia. Namun, keamanan IoT dapat terancam karena sifatnya yang dapat diakses dari mana saja dan kapan saja. Celah keamanan memiliki kemungkinan sukar untuk dideteksi, karena memiliki pola yang beragam. Oleh karena itu, diperlukan sebuah model keamanan pengiriman data antar sensor yang aman. Blockchain adalah teknologi yang dapat menjawab tiga syarat keamanan yang diperlukan, yaitu ketersediaan, kerahasiaan, dan integritas. Dalam penelitian ini, kami mencoba membangun sebuah simulasi keamanan IoT dengan menggunakan teknologi blockchain, dimana sistem keamanannya menggunakan pola public blockchain. Metode yang digunakan dalam penelitian ini adalah model public blockchain yang memungkinkan para pengguna untuk mengendalikan aplikasi yang terhubung pada pin emulator melalui smart contract. Penelitian ini menggunakan jejaring Ethereum yang termasuk dalam jaringan pengujian yang dapat digunakan tanpa adanya biaya transaksi yang perlu dibayar. Dengan adanya penelitian ini, diharapkan dapat memberikan solusi pada permasalahan keamanan dan tantangan yang dihadapi dalam jaringan IoT.
Abstract
The Internet of Things (IoT) is a collection of devices that can collect and transmit data between sensors without the need for human assistance. However, IoT security can be threatened due to its accessibility from anywhere and at any time. Security vulnerabilities may be difficult to detect due to their diverse patterns. Therefore, a secure data transmission security model between sensors is needed. Blockchain is a technology that can meet the three security requirements needed, namely availability, confidentiality, and integrity. In this study, we attempt to build a security simulation of IoT using blockchain technology, where the security system uses a public blockchain pattern. The method used in this study is a public blockchain model that allows users to control applications connected to the pin emulator via smart contracts. This research uses the Ethereum network, which is included in the testing network that can be used without transaction fees. With this research, it is hoped that solutions can be provided for the security issues and challenges faced in IoT networks
Analisis Sentimen Data Twitter terkait ChatGPT menggunakan Orange Data Mining
Get PDFPerkembangan teknologi bergerak begitu cepat, diikuti dengan popularitas media sosial yang semakin meluas. Platform media sosial mampu membangun profil big data pengguna, dengan melacak setiap aktivitas seperti partisipasi, pengiriman pesan, dan kunjungan situs Web. Saat ini banyak orang sering membagikan kritik terhadap sesuatu melalui platform media sosial seperti Facebook, Twitter, Instagram, dan lainnya. Sehingga perlu diketahui bagaimana komentar dari pengguna media sosial yang menghasilkan reaksi masyarakat terhadap chatGPT yang dirilis oleh OpenAI. Banyaknya komentar di Twitter menyebabkan sulitnya mengetahui kecenderungan respon masyarakat. Tujuan dari penelitian ini yaitu melakukan analisis sentimen postingan publik di Twitter untuk memberikan wawasan tentang sikap dan persepsi orang tentang suatu peristiwa yang terjadi. Penelitian ini memberikan ilustrasi peran Twitter dalam menampung postingan pengguna Twitter terkait chatGPT. Hasil penelitian ini dapat digunakan oleh pemangku kepentingan untuk menentukan kebijakan dalam penggunaan chatGPT. Penelitian ini menganalisis sebanyak 5.192 postingan tweet bahasa Inggris dan 641 tweet bahasa Indonesia, mulai dari tanggal 27 April hingga 8 Mei 2023. Tanggapan positif, negatif dan netral diolah menggunakan perangkat lunak orange data mining, yaitu tools machine learning, data mining, dan visualisasi data. Hasil menunjukan bahwa chatGPT mendapatkan tanggapan netral berbahasa Inggris dengan nilai sebesar 54,72%, tanggapan positif sebesar 31,64%, dan tanggapan negatif sebesar 13,64%. Hasil analisis sentimen berbahasa Indonesia tidak jauh berbeda, dengan nilai tanggapan netral sebesar 63,96%, tanggapan positif 23,56%, dan tanggapan negatif 12,48%. Sehingga dapat disimpulkan bahwa, rilisnya chatGPT mayoritas publik memberikan tanggapan netral atau tidak terdapat penolakan.AbstractTechnological developments move so fast, followed by the increasingly widespread popularity of social media. Social media platforms can build big-data profiles of users by tracking every activity such as participation, messaging, and website visits. Currently, many people often share criticism of something through social media platforms, such as Facebook, Twitter, Instagram, and others. So it is necessary to know how comments from social media users generate public reactions to chatGPT released by OpenAI. A lot of comments on Twitter make it difficult to know the trend of people\u27s responses. This study aims to analyze the sentiment of public postings on Twitter to provide insight into people\u27s attitudes and perceptions of an event that has occurred. This research illustrates Twitter\u27s role in accommodating Twitter user posts regarding chatGPT. The results of this study can be used by stakeholders in making policies on the use of chatGPT. This study analyzed 5,192 posts in English and 641 tweets in Indonesian from April 27 to May 8, 2023. Positive, negative, and neutral responses were processed using orange data mining software, namely machine learning tools, data mining, and data visualization. The results show that chatGPT received neutral responses in English with a value of 54.72%, positive responses of 31.64%, and negative responses of 13.64%. The results of sentiment analysis in Indonesian were not much different, with neutral responses of 63.96%, positive responses of 23.56%, and negative responses of 12.48%. So it can be concluded that after the release of chatGPT, the majority of the public gave neutral responses or no rejection.Perkembangan teknologi bergerak begitu cepat, diikuti dengan popularitas media sosial yang semakin meluas. Platform media sosial mampu membangun profil big-data pengguna, dengan melacak setiap aktivitas seperti partisipasi, pengiriman pesan, dan kunjungan situs Web. Saat ini banyak orang sering membagikan kritik terhadap sesuatu melalui platform media sosial seperti Facebook, Twitter, Instagram, dan lainnya. Sehingga perlu diketahui bagaimana komentar dari pengguna media sosial yang menghasilkan reaksi masyarakat terhadap chatGPT yang dirilis oleh OpenAI. Banyaknya komentar di Twitter menyebabkan sulitnya mengetahui kecenderungan respon masyarakat. Tujuan dari penelitian ini yaitu melakukan analisis sentimen postingan publik di Twitter untuk memberikan wawasan tentang sikap dan persepsi orang tentang suatu peristiwa. Penelitian ini memberikan ilustrasi peran Twitter dalam menampung postingan pengguna Twitter terkait chatGPT. Hasil penelitian ini dapat digunakan oleh pemangku kepentingan untuk menentukan kebijakan dalam penggunaan chatGPT. Penelitian ini menganalisis sebanyak 5.192 postingan tweet bahasa Inggris dan 641 tweet bahasa Indonesia, mulai dari tanggal 27 April hingga 8 Mei 2023. Tanggapan positif, negatif, dan netral diolah menggunakan perangkat lunak Orange Data Mining dengan algoritma Ekman untuk menganalisis emosi data tweet yang diperoleh. Hasil menunjukan bahwa chatGPT mendapatkan tanggapan netral berbahasa Inggris dengan nilai sebesar 54,72%, tanggapan positif sebesar 31,64%, dan tanggapan negatif sebesar 13,64%. Hasil analisis sentimen berbahasa Indonesia tidak jauh berbeda, dengan nilai tanggapan netral sebesar 63,96%, tanggapan positif 23,56%, dan tanggapan negatif 12,48%. Sehingga dapat disimpulkan bahwa, rilisnya chatGPT mayoritas publik memberikan tanggapan netral atau tidak terdapat penolakan.
Abstract
Technological developments move so fast, followed by the increasingly widespread popularity of social media. Social media platforms can build big-data profiles of users by tracking every activity such as participation, messaging, and website visits. Currently, many people often share criticism of something through social media platforms, such as Facebook, Twitter, Instagram, and others. So it is necessary to know how comments from social media users generate public reactions to chatGPT released by OpenAI. A lot of comments on Twitter make it difficult to know the trend of people\u27s responses. The purpose of this research is to conduct sentiment analysis of public posts on Twitter to provide insights into people\u27s attitudes and perceptions regarding a particular event. This research illustrates Twitter\u27s role in accommodating Twitter user posts regarding chatGPT. The results of this study can be used by stakeholders in making policies on the use of chatGPT. This study analyzed 5,192 posts in English and 641 tweets in Indonesian from April 27 to May 8, 2023. The positive, negative, and neutral responses are processed using Orange Data Mining software with the Ekman algorithm to analyze the emotional content of the acquired tweet data. The results show that chatGPT received neutral responses in English with a value of 54.72%, positive responses of 31.64%, and negative responses of 13.64%. The results of sentiment analysis in Indonesian were not much different, with neutral responses of 63.96%, positive responses of 23.56%, and negative responses of 12.48%. So it can be concluded that after the release of chatGPT, the majority of the public gave neutral responses or no rejection
Implementasi Threat Mitigation dan Traffic Policy Menggunakan Utm pada Jaringan Tcp/Ip
Get PDFPenelitian bertujuan merancang UTM berbasis aplikasi open-source yang mampu melakukan Threat Mitigation dan menerapkan manajemen trafik pada jaringan TCP/IP. Metoda Threat Mitigation menggunakan SNORT sebagai IPS untuk melakukan tindakan terhadap ancaman serta melakukan monitoring trafik yang diintegrasikan dengan Splunk sebagai SIEM. Metoda Traffic Policy menggunakan SQUID sebagai Proxy untuk melakukan manajemen trafik. Pengujian perfomansi jaringan dilakukan dengan mengukur parameter QOS terlebih dahulu pada setiap perangkat akses untuk melihat performansi jaringan saat terjadi serangan sebelum dan sesudah implementasi UTM. Serangan DDOS berupa ICMP Flood dan SYN Flood. Setelah melakukan simulasi serangan DDOS selama 5 menit, Threat Mitigation mampu melakukan drop terhadap paket yang berasal dari serangan DDOS sebanyak 232409 paket dengan nilai throughput maksimum 1,823 Mbps, lebih baik dari throughput yang dihasilkan serangan DDOS sebelum implementasi UTM yaitu 869 Mbps. Hasil indeks parameter QOS setiap perangkat akses jaringan memiliki nilai indeks 4, lebih baik dari indeks parameter QOS sebelum implementasi UTM yaitu 2,843. Traffic Policy pada UTM mampu melakukan efisiensi bandwidth sebesar 4,66% atau 943,6645 MB selama 5 hari kerja dari total volume cache 20,23 GB, dengan menerapkan web cache untuk akses HTTP dan limitasi throughput sebesar 300 KB pada ekstensi file image, audio, video dan executeable berukuran diatas 20 MB.Penelitian bertujuan merancang Unified Threat Management (UTM) berbasis aplikasi open-source yang mampu melakukan Threat Mitigation dan menerapkan manajemen trafik pada jaringan TCP/IP. Metoda Threat Mitigation menggunakan SNORT sebagai Intrusion Prevention System (IPS) untuk melakukan tindakan terhadap ancaman serta melakukan monitoring trafik yang diintegrasikan dengan aplikasi Splunk sebagai Security Information and Event Management (SIEM). Metoda Traffic Policy menggunakan SQUID sebagai Proxy untuk melakukan manajemen trafik. Pengujian perfomansi jaringan dilakukan dengan mengukur parameter Quality of Service (QOS) terlebih dahulu pada setiap perangkat akses untuk melihat performansi jaringan saat terjadi serangan sebelum dan sesudah implementasi UTM. Serangan Distributed Denial of Service (DDOS) berupa Internet Control Message Protocol (ICMP) Flood dan SYN Flood. Setelah melakukan simulasi serangan DDOS selama 5 menit, Threat Mitigation mampu melakukan drop terhadap paket yang berasal dari serangan DDOS sebanyak 232409 paket dengan nilai throughput maksimum 1,823 Mbps, lebih baik dari throughput yang dihasilkan serangan DDOS sebelum implementasi UTM yaitu 869 Mbps. Hasil indeks parameter QOS setiap perangkat akses jaringan memiliki nilai indeks 4, lebih baik dari indeks parameter QOS sebelum implementasi UTM yaitu 2,843. Traffic Policy pada UTM mampu melakukan efisiensi bandwidth sebesar 4,66% atau 943,6645 MB dari total volume cache 20,23 GB, dengan menerapkan web cache untuk akses Hyper Text Transfer Proctocol (HTTP) dan limitasi throughput sebesar 300 KB pada ekstensi file image, audio, video dan executeable berukuran diatas 20 MB.
Abstract
This final project aims to design Unified Threat Management (UTM) based on open-source application that capable to mitigate threat and implement traffic management on TCP/IP network. Threat Mitigation method uses SNORT as Intrusion Prevention System (IPS) and integrated with Splunk as Security Information and Event Management (SIEM). Traffic Policy method use SQUID as Proxy to implement traffic management. Network performance testing will be carried out by measuring the QOS parameters on each access device to be able to see network performance when an attack occurs before and after UTM implementation. The Denial Distributed of Service attacks was simulated with Internet Control Message Protocol (ICMP) Flood and SYN Flood. After simulating DDOS attack for 5 minutes, Threat Mitigation was able to drop 232409 packet that originating from DDOS attack with a maximum throughput value 1.823 Mbps, was better before implementation of UTM which is 869 Mbps. The result of the QOS index parameters for each access device has an index value is 4, was better than before implementation of UTM, which is 2.843. Traffic Policy was able to perform bandwidth efficiency of 4.66% or 943.6645 MB from a total cache volume of 20.23 GB, by implementing web cache for Hyper Text Transfer Protocol (HTTP) access and limiting throughput of 300 KB of image, audio, video and executable file size above 20 MB
Perancangan User Experience Aplikasi Reservasi Online Pada Grahadi Bali Menggunakan Metode Design Thinking
Get PDFGrahadi Bali merupakan salah satu perusahaan yang bergerak pada bidang entertainment terutama karaoke di Bali. Grahadi Bali mengalami kepadatan pelanggan yang tidak menentu akibat meningkatnya jumlah wisatawan yang pergi ke Bali. Kepadatan pelanggan yang tak menentu diakibatkan oleh banyaknya pegawai yang dapat menerima reservasi melalui panggilan telepon. Berdasarkan permasalahan tersebut peneliti menawarkan solusi dengan merancang sistem yang dapat memberikan layanan reservasi secara daring kepada pelanggan yang ingin memesan ruangan karaoke. Perancangan sistem dibatasi pada tahap dengan melakukan perancangan user experience agar aplikasi yang dirancang sesuai dengan kebutuhan pengguna. Design thinking merupakan metode yang digunakan dalam perancangan aplikasi reservasi online dengan menggali kebutuhan permasalahan hingga memberikan solusi desain yang dapat menjawab permasalahan. Solusi desain yang dihasilkan adalah berupa high fidelity prototype dengan dua segmentasi pelanggan dan stakeholder Grahadi Bali. Prototype yang dihasilkan selanjutnya dilakukan pengujian menggunakan User Experience Questionnaire (UEQ) untuk mengukur apakah solusi desain telah menjawab permasalahan yang dialami calon pengguna. Pengujian dilakukan dengan calon pengguna yang berusia 22 sampai 56 tahun dengan total 40 responden yang terbagi menjadi dua segmentasi pelanggan dan stakeholder. Dengan demografi usia tersebut, aplikasi reservasi online mendapatkan nilai rata-rata skala paling rendah 1,613 pada skala stimulasi dan nilai tertinggi yaitu 1,913 pada skala kejelasan. Dari nilai tersebut, aplikasi ini dapat dikategorikan baik (good) pada skala daya tarik, kejelasan, efisiensi, dan stimulasi serta sangat baik (excellent) pada skala ketepatan dan kebaruan. Kemudian pada segmentasi stakeholder mendapatkan nilai rata-rata paling rendah 1,350 pada skala kebaruan dan nilai tertinggi yaitu 1,638 pada skala kejelasan. Dari nilai tersebut, dapat dikategorikan juga bahwa aplikasi reservasi online dengan segmentasi stakeholder termasuk kategori diatas rata-rata (above average) pada skala daya tarik, kejelasan, efisiensi, dan ketepatan. Kemudian mendapatkan hasil baik (good) pada skala stimulasi dan kebaruan.Grahadi Bali merupakan salah satu perusahaan yang bergerak pada bidang entertainment terutama karaoke di Bali. Grahadi Bali mengalami kepadatan pelanggan yang tidak menentu akibat meningkatnya jumlah wisatawan yang pergi ke Bali. Kepadatan pelanggan yang tak menentu diakibatkan oleh banyaknya pegawai yang dapat menerima reservasi melalui panggilan telepon. Berdasarkan permasalahan tersebut peneliti menawarkan solusi dengan merancang sistem yang dapat memberikan layanan reservasi secara daring kepada pelanggan yang ingin memesan ruangan karaoke. Perancangan sistem dibatasi pada tahap dengan melakukan perancangan user experience agar aplikasi yang dirancang sesuai dengan kebutuhan pengguna. Design thinking merupakan metode yang digunakan dalam perancangan aplikasi reservasi online dengan menggali kebutuhan permasalahan hingga memberikan solusi desain yang dapat menjawab permasalahan. Solusi desain yang dihasilkan adalah berupa high fidelity prototype dengan dua segmentasi pelanggan dan stakeholder Grahadi Bali. Prototype yang dihasilkan selanjutnya dilakukan pengujian menggunakan User Experience Questionnaire (UEQ) untuk mengukur apakah solusi desain telah menjawab permasalahan yang dialami calon pengguna. Pengujian dilakukan dengan calon pengguna yang berusia 22 sampai 56 tahun dengan total 40 responden yang terbagi menjadi dua segmentasi pelanggan dan stakeholder. Dengan demografi usia tersebut, aplikasi reservasi online mendapatkan nilai rata-rata skala paling rendah 1,613 pada skala stimulasi dan nilai tertinggi yaitu 1,913 pada skala kejelasan. Dari nilai tersebut, aplikasi ini dapat dikategorikan baik (good) pada skala daya tarik, kejelasan, efisiensi, dan stimulasi serta sangat baik (excellent) pada skala ketepatan dan kebaruan. Kemudian pada segmentasi stakeholder mendapatkan nilai rata-rata paling rendah 1,350 pada skala kebaruan dan nilai tertinggi yaitu 1,638 pada skala kejelasan. Dari nilai tersebut, dapat dikategorikan juga bahwa aplikasi reservasi online dengan segmentasi stakeholder termasuk kategori diatas rata-rata (above average) pada skala daya tarik, kejelasan, efisiensi, dan ketepatan. Kemudian mendapatkan hasil baik (good) pada skala stimulasi dan kebaruan
Evaluasi Layanan Kesehatan Aplikasi Depok Single Window dengan Metode System Usability Scale dan Heuristic Evaluation
Get PDFPenerapan Smart City di Indonesia merupakan bentuk upaya pemerintah Indonesia dalam pengembangan dan pengelolaan daerah di era desentralisasi. Salah satu contoh implementasi ini adalah e-government di Kota Depok dengan meluncurkan aplikasi mobile bernama Depok Single Window (DSW). Aplikasi DSW merupakan aplikasi layanan publik yang dimiliki oleh Pemerintah Kota Depok untuk meningkatkan kualitas layanan publik memanfaatkan potensi teknologi telematika secara baik. Untuk meningkatkan kesejahteraan rakyat dan kepercayaan masyarakat terhadap keandalan aplikasi layanan publik, perlu diadakan evaluasi aplikasi. Untuk evaluasi ini maka digunakan 2 metode yaitu System Usability Scale (SUS) dan Heuristic Evaluation (HE).Data yang digunakan dalam Metode SUS merupakan data primer yang diperoleh langsung dari masyarakat Kota Depok melalui penyebaran kuesioner dengan Google Form. Data yang digunakan dalam Metode HE juga merupakan data primer yang diperoleh langsung dari para ahli yang memahami usability dari aplikasi mobile dan UI/UX dengan memberikan penilaian berdasarkan 10 prinsip heuristik Nielsen. Dalam Metode SUS didapatkan skor penilaian sebesar 68,75 yang menyatakan bahwa layanan kesehatan yang dievaluasi masih dibawah nilai minimal yang harus didapatkan. Sementara itu, evaluasi yang dilakukan dengan Metode HE menemukan total 13 masalah usability yang telah dievaluasi oleh para ahli. Masalah-masalah tersebut telah melanggar 8 dari 10 prinsip heuristik, yaitu Consistency and Standards, Visibility of System Status, User Control and Freedom, Aesthetic and Minimalist Design, Error Prevention, Recognize, Diagnose, and Recover from Errors, Recognition Rather Than Recall, dan Flexibility and Efficiency of Use.Penerapan Smart City di Indonesia merupakan bentuk upaya pemerintah Indonesia dalam pengembangan dan pengelolaan daerah di era desentralisasi. Salah satu contoh implementasi ini adalah e-government di Kota Depok dengan meluncurkan aplikasi mobile bernama Depok Single Window (DSW). Aplikasi DSW merupakan aplikasi layanan publik yang dimiliki oleh Pemerintah Kota Depok untuk meningkatkan kualitas layanan publik memanfaatkan potensi teknologi telematika secara baik. Untuk meningkatkan kesejahteraan rakyat dan kepercayaan masyarakat terhadap keandalan aplikasi layanan publik, perlu diadakan evaluasi aplikasi. Untuk evaluasi ini maka digunakan 2 metode yaitu System Usability Scale (SUS) dan Heuristic Evaluation (HE).Data yang digunakan dalam Metode SUS merupakan data primer yang diperoleh langsung dari masyarakat Kota Depok melalui penyebaran kuesioner dengan Google Form. Data yang digunakan dalam Metode HE juga merupakan data primer yang diperoleh langsung dari para ahli yang memahami usability dari aplikasi mobile dan UI/UX dengan memberikan penilaian berdasarkan 10 prinsip heuristik Nielsen. Dalam Metode SUS didapatkan skor penilaian sebesar 68,75 yang menyatakan bahwa layanan kesehatan yang dievaluasi masih dibawah nilai minimal yang harus didapatkan. Sementara itu, evaluasi yang dilakukan dengan Metode HE menemukan total 13 masalah usability yang telah dievaluasi oleh para ahli. Masalah-masalah tersebut telah melanggar 8 dari 10 prinsip heuristik, yaitu Consistency and Standards, Visibility of System Status, User Control and Freedom, Aesthetic and Minimalist Design, Error Prevention, Recognize, Diagnose, and Recover from Errors, Recognition Rather Than Recall, dan Flexibility and Efficiency of Use