Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Pengembangan Algoritma ECDSA dengan Modifikasi Perkalian Skalar menggunakan Double Basae Chain
Get PDFPenggunaan tanda tangan digital saat ini menjadi penting karena perubahan aktivitas manusia dari offline ke online. Hal ini membuat rentannya pemalsuan dokumen atau pengambilan dokumen secara ilegal yang disebabkan oleh kerentanan sistem keamanan dokumen. Salah satu algoritma yang digunakan dalam pembuatan tanda tangan adalah algoritma tanda tangan digital kurva eliptik (ECDSA). Algoritma tanda tangan digital kurva eliptik (ECDSA) menggunakan dua teknik, yaitu kriptografi dan hash. Dalam perhitungannya, ECDSA menggunakan 2 penambahan skalar yang membutuhkan operasi kompleks. Hampir 80% dari waktu proses pemulihan ECDSA mungkin digunakan untuk perhitungan skalar. Salah satu metode yang digunakan untuk meningkatkan proses perluasan skalar dalam ECDSA adalah rantai basis ganda (double-base chain). Penelitian ini membuktikan bahwa penggunaan rantai basis ganda dalam modifikasi algoritma ECDSA menghasilkan kinerja yang berbeda sesuai dengan panjang dan jenis kurva yang digunakan. Namun, secara rata-rata, modifikasi ECDSA menggunakan rantai basis ganda tidak memberikan hasil yang signifikan dalam pengujian kinerja ECDSA berupa penggunaan memori, pembuatan kunci, penandatanganan, dan verifikasi pada 19 jenis dan panjang kurva yang berbeda. Namun, dari segi keamanan kunci, teori rantai basis ganda memiliki keunggulan dalam keacakan kunci private.Penelitian ini mengeksplorasi modifikasi parameter perkalian skalar dalam algoritma Elliptic Curve Digital Signature Algorithm (ECDSA) menggunakan metode Double Base Chain (DBC) dalam Era Revolusi 4.0. ECDSA, sebagai algoritma kriptografi asimetris, umum digunakan untuk memberikan integritas dan otentikasi pada data digital. Penelitian ini menilai apakah penggunaan DBC dapat meningkatkan performa ECDSA dalam hal waktu komputasi dan penggunaan memori. Hasil penelitian menunjukkan bahwa meskipun modifikasi ECDSA dengan DBC tidak selalu memberikan performa yang superior. Waktu yang dibutuhkan untuk key generation, signing, dan verification cenderung lebih lama, dan penggunaan memori bervariasi tergantung pada konfigurasi dan parameter tertentu. Faktor-faktor seperti struktur kurva, panjang kurva, parameter kurva, dan implementasi memiliki dampak signifikan terhadap performa. Pengujian avalanche effect menunjukkan variasi dalam keteracakan kunci privat pada berbagai jenis kurva. Meskipun belum optimal, penelitian ini menyoroti potensi peningkatan keamanan dengan fokus pada peningkatan keteracakan private key pada ECDSA. Temuan ini memberikan dasar bagi eksplorasi lebih lanjut dalam pengembangan algoritma kriptografi yang lebih aman dan efisien, dengan mempertimbangkan keseimbangan antara performa dan keamanan. Dalam konteks Era Revolusi 4.0, di mana keamanan informasi menjadi semakin penting, penelitian ini memberikan wawasan berharga untuk pengembangan teknologi keamanan yang lebih baik.
Abstract
This study explores the modification of scalar multiplication parameters in the Elliptic Curve Digital Signature Algorithm (ECDSA) using the Double Base Chain (DBC) method in the Era of the Fourth Industrial Revolution (Industry 4.0). ECDSA, as an asymmetric cryptographic algorithm, is commonly used to provide integrity and authentication to digital data. The research evaluates whether the use of DBC can enhance ECDSA performance in terms of computational time and memory usage. The results indicate that, although modifying ECDSA with DBC does not always yield superior performance, the time required for key generation, signing, and verification tends to be longer, and memory usage varies depending on specific configurations and parameters. Factors such as curve structure, curve length, curve parameters, and implementation significantly impact performance. Avalanche effect testing reveals variations in the traceability of private keys across different curve types. Despite not achieving optimal results, the study highlights the potential for improving security by focusing on enhancing the traceability of private keys in ECDSA. These findings provide a foundation for further exploration in the development of more secure and efficient cryptographic algorithms, considering the balance between performance and security. In the context of the Fourth Industrial Revolution, where information security is increasingly crucial, this research offers valuable insights for the advancement of better security technologies
Pemanfaatan Arsitektur Microservice Untuk Peningkatan Performansi Website Lomba Nasional Kreativitas Mahasiswa
Get PDFLomba Nasional Kreativitas Mahasiswa (LO Kreatif) merupakan ajang tahunan yang diadakan oleh APTISI 7 Jatim untuk mahasiswa perguruan tinggi swasta di Indonesia. Meskipun proses pendaftaran lomba telah beralih ke platform digital, penelitian terbaru menunjukkan keterbatasan performa website LO Kreatif saat menghadapi lebih dari 1000 pengguna secara bersamaan. Evaluasi performansi menggunakan metode load testing mengidentifikasi dua faktor utama yang berkontribusi pada penurunan performa, yaitu penggunaan file load pada halaman web dan penggunaan data gambar, proses query yang kompleks, serta penggunaan library. Penelitian ini mengusulkan solusi dengan merancang arsitektur microservice sebagai alternatif terhadap arsitektur monolitik yang digunakan saat ini. Analisis terhadap penelitian sebelumnya menunjukkan bahwa arsitektur monolitik lebih cocok untuk aplikasi dengan jumlah pengguna kecil, sedangkan arsitektur microservice menawarkan skalabilitas dan reliabilitas yang lebih baik. Melalui Design Science Research Methodology (DSRM), penelitian ini melibatkan enam tahapan, mulai dari identifikasi permasalahan hingga komunikasi hasil kepada pemangku kepentingan. Hasil evaluasi menunjukkan bahwa arsitektur microservice berhasil meningkatkan throughput tanpa mengalami penurunan, meskipun rata-rata error rate sebesar 8.52% masih memerlukan perbaikan. Dengan demikian, arsitektur microservice dapat menjadi solusi untuk meningkatkan performansi website LO Kreatif, namun perhatian terhadap aspek perangkat keras juga krusial untuk mendapatkan performansi optimal.Lomba Nasional Kreativitas Mahasiswa (LO Kreatif) merupakan ajang tahunan yang diadakan oleh APTISI 7 Jatim untuk mahasiswa perguruan tinggi swasta di Indonesia. Meskipun proses pendaftaran lomba telah beralih ke platform digital, penelitian terbaru menunjukkan keterbatasan performa website LO Kreatif saat menghadapi lebih dari 1000 pengguna secara bersamaan. Evaluasi performansi menggunakan metode load testing mengidentifikasi dua faktor utama yang berkontribusi pada penurunan performa, yaitu penggunaan file load pada halaman web dan penggunaan data gambar, proses query yang kompleks, serta penggunaan library. Penelitian ini mengusulkan solusi dengan merancang arsitektur microservice sebagai alternatif terhadap arsitektur monolitik yang digunakan saat ini. Analisis terhadap penelitian sebelumnya menunjukkan bahwa arsitektur monolitik lebih cocok untuk aplikasi dengan jumlah pengguna kecil, sedangkan arsitektur microservice menawarkan skalabilitas dan reliabilitas yang lebih baik. Melalui Design Science Research Methodology (DSRM), penelitian ini melibatkan enam tahapan, mulai dari identifikasi permasalahan hingga komunikasi hasil kepada pemangku kepentingan. Hasil evaluasi menunjukkan bahwa arsitektur microservice berhasil meningkatkan throughput tanpa mengalami penurunan, meskipun rata-rata error rate sebesar 8.52% masih memerlukan perbaikan. Dengan demikian, arsitektur microservice dapat menjadi solusi untuk meningkatkan performansi website LO Kreatif, namun perhatian terhadap aspek perangkat keras juga krusial untuk mendapatkan performansi optimal.
Abstract
The National Student Creativity Competition (LO Kreatif) is an annual event organized by APTISI 7 East Java for students from private higher education institutions in Indonesia. Despite the registration process for the competition transitioning to a digital platform, recent research indicates limitations in the performance of the LO Kreatif website when faced with more than 1000 simultaneous users. Performance evaluation through load testing identified two main contributing factors to the performance decline: the use of load files on web pages and the utilization of image data, complex query processes, and library usage. This study proposes a solution by designing a microservice architecture as an alternative to the currently employed monolithic architecture. Analysis of previous research suggests that a monolithic architecture is more suitable for applications with a small user base, while a microservice architecture offers better scalability and reliability. Utilizing the Design Science Research Methodology (DSRM), this research involves six stages, ranging from problem identification to communicating results to stakeholders. Evaluation results show that the microservice architecture successfully increased throughput without experiencing a decline, although the average error rate of 8.52% still requires improvement. Thus, the microservice architecture can be a solution to enhance the performance of the LO Kreatif website, but attention to hardware aspects is crucial for optimal performance.
Kerangka Kerja Analisis dan Pemodelan pada Proses Bisnis berdasarkan BPI dan BSC
Get PDFProses bisnis yang baik dan benar adalah proses yang dapat meningkatkan kinerja dan mewujudkan tujuan organisasi, oleh sebab itu analisis dan pemodelan pada proses bisnis (APPB) sangat diperlukan. Analisis proses bisnis adalah proses menilai proses bisnis yang saat ini sedang berjalan. Sedangkan pemodelan proses bisnis digunakan untuk memvisualisasikan dan menganalisis apakah proses bisnis sudah sesuai atau tidak dengan tujuan organisasi. Oleh karena itu APPB merupakan hal penting dalam meningkatkan pemahaman dan komunikasi antar stakeholder terhadap proses bisnis organisasi sehingga tercapainya tujuan organisasi. Permasalahan proses bisnis meliputi ketidakefektifan (inefectivity), ketidakefisienan (inefficiency), tidak terkendali (uncontrolled), kegagalan yang tumpang tindih (overlaping), tidak terintegrasi (unintegrated), kegagalan strategi (Strategical failure). Berdasarkan tema permasalahan tersebut bahwa penelitian sebelumnya belum membahas terkait permasalahan strategical failure, padahal permasalahan tersebut sangat penting karena pada dasarnya pengelolaan proses bisnis untuk tercapainya tujuan organisasi. Untuk itu, penelitian ini bertujuan membuat kerangka kerja (framework) APPB dalam tema strategical berdasarkan Business Process Improvement (BPI) dan Balanced scorecard (BSC). Penelitian ini menghasilkan kerangka kerja yang terdiri dari tiga fase yaitu 1) Alignment; 2) Analysis; 3) Modeling. Adapun kerangka kerja ini di implementasikan pada bagian Administrasi Akademik (AAK) Universitas Dinamika. Berdasarkan hasil implementasi, bahwa kerangka kerja ini dapat dijadikan pedoman dalam APPB bagi organisasi lainnya.Proses bisnis yang baik dan benar adalah proses yang dapat meningkatkan kinerja dan mewujudkan tujuan organisasi, oleh sebab itu analisis dan pemodelan pada proses bisnis (APPB) sangat diperlukan. Analisis proses bisnis adalah proses menilai proses bisnis yang saat ini sedang berjalan. Sedangkan pemodelan proses bisnis digunakan untuk memvisualisasikan dan menganalisis apakah proses bisnis sudah sesuai atau tidak dengan tujuan organisasi. Oleh karena itu APPB merupakan hal penting dalam meningkatkan pemahaman dan komunikasi antar stakeholder terhadap proses bisnis organisasi sehingga tercapainya tujuan organisasi. Permasalahan proses bisnis meliputi ketidakefektifan (inefectivity), ketidakefisienan (inefficiency), tidak terkendali (uncontrolled), kegagalan yang tumpang tindih (overlaping), tidak terintegrasi (unintegrated), kegagalan strategi (Strategical failure). Berdasarkan tema permasalahan tersebut bahwa penelitian sebelumnya belum membahas terkait permasalahan strategical failure, padahal permasalahan tersebut sangat penting karena pada dasarnya pengelolaan proses bisnis untuk tercapainya tujuan organisasi. Untuk itu, penelitian ini bertujuan membuat kerangka kerja (framework) APPB dalam tema strategical berdasarkan Business Process Improvement (BPI) dan Balanced scorecard (BSC). Penelitian ini menghasilkan framework yang terdiri dari tiga fase yaitu 1) Alignment; 2) Analysis; 3) Modeling. Adapun kontribusi dari penelitian ini adalah membuat framework dengan menambahkan tahapan keselarasan (alignment) untuk pendekatan BPI. Dengan adanya tahapan alignment pada BPI memberikan solusi untuk APPB agar selaras antara proses bisnis dan tujuan organisasi. Untuk mengimplementasikan framework ini diperlukan studi kasus yaitu pada bagian Administrasi Akademik (AAK) Universitas Dinamika. Berdasarkan hasil implementasi tersebut, bahwa framework ini dapat dijadikan pedoman dalam melakukan APPB bagi organisasi lainnya.
Abstract
A good business process is a process that can produce better performance and realize organizational goals, therefore analysis and modeling in business process (AMBP) is needed. Meanwhile, modeling are used to visualize and analyze whether business processes are on target or not in achieving organizational goals. Therefore, AMBP is important, because it can increase understanding and communication between stakeholders regarding the organization\u27s business processes in achieving organizational goals. Business process problems include ineffectiveness, inefficiency, uncontrollability, overlapping failures, unintegrated, and strategic failures. Based on these business process problems, previous research has not discussed the problem of strategy failure, even though AMBP is important to realize organizational goals. Therefore, this research aims to create a framework for analyzing and modeling business processes in strategic themes based on Business Process Improvement and the Balanced Scorecard. This research produces a framework consisting of three phases, namely 1) Alignment; 2) Analysis; and 3) Modeling. The contribution of this research is to create a framework by adding alignment stages to the BPI approach. With the alignment stages at BPI, it provides a solution for APPB to align business processes with organizational goals. To implement this framework, a case study is needed, namely in the Academic Administration (AAK) section of Dinamika University. Based on the results of this implementation, this framework can be used as a guideline in carrying out APPB for other organizations
Teknologi Text To Speech Menggunakan Amazon Polly Untuk Meningkatkan Kemampuan Membaca Pada Anak Dengan Gejala Disleksia
Get PDFDisleksia adalah gangguan dalam proses belajar yang ditandai dengan kesulitan membaca, menulis dan mengeja. Perkembangan teknologi saat ini dapat dimanfaatkan dalam semua bidang, termasuk pada pembelajaran anak berkebutuhan khusus seperti disleksia. Penelitian ini bertujuan untuk meningkatkan kemampuan membaca menggunakan teknologi Text-To-Speech (TTS) dengan Machine Learning Amazon Polly yang ada pada AWS cloud. Penelitian menggunakan dua metode: review literatur dan eksperimen dengan pre-test dan post-test untuk menilai pengaruh teknologi terhadap kemampuan membaca. Review literatur dengan mengkaji kumpulan literatur dari penelitian terdahulu sebagai sumber data dan data yang diperoleh akan dianalisis secara deskriptif kualitatif untuk mengetahui pengaruh teknologi terhadap kemampuan membaca. Metode kedua adalah pengujian dengan alat ukur berupa pre-test & post-test yang terdiri dari 10 kata. Pengujian dilakukan sebanyak empat pertemuan dengan subjek penelitian 30 responden. Kemudian data dianalisis menggunakan analisis statistik deskriptif, yaitu merupakan analisis statistik yang memberikan gambaran secara umum mengenai karakteristik dari masing – masing variable penelitian yang dilihat dari nilai rata – rata (mean), maximum, minimum. Hasil pre-test menunjukkan nilai rata-rata 2,91, kelompok TTS menunjukkan peningkatan signifikan dengan nilai rata-rata post-test 4,30 dibandingkan dengan kelompok visual 3,72. Data kuesioner menunjukkan aplikasi TTS mudah dimengerti dan diterima baik, dengan 90,9% responden melaporkan peningkatan kemampuan membaca. Analisis statistik deskriptif membuktikan teknologi TTS secara signifikan meningkatkan kemampuan membaca pada anak disleksia.
Abstract
Dyslexia is a learning disorder characterized by difficulties in reading, writing and spelling. Current technological developments can be utilized in all fields, including in the learning of children with special needs such as dyslexia. This research aims to improve reading skills using Text-To-Speech (TTS) technology with Amazon Polly Machine Learning on the AWS cloud. The research used two methods: literature review, and experiments with pre-test and post-test to assess the effect of technology on reading ability. The literature review involves examining a collection of literature from previous research as a data source. The data obtained will be analyzed descriptively and qualitatively to determine the effect of technology on reading ability. The second method involves testing with measuring instruments in the form of a pre-test and post-test consisting of 10 words. Testing was carried out over four meetings with a research sample of 30 respondents. Then, the data are analyzed using descriptive statistical analysis, which provides a general description of the characteristics of each research variable as seen from the average (mean), maximum, and minimum values. The pre-test results showed an average score of 2.91. The TTS group showed significant improvement with a post-test average score of 4.30 compared to the visual group’s score of 3.72. Questionnaire data show that the TTS application is easy to understand and well received, with 90.9% of respondents reporting improved reading ability. Descriptive statistical analysis proves that TTS technology significantly improves reading abilities in dyslexic children.
Disleksia adalah gangguan dalam proses belajar yang ditandai dengan kesulitan membaca, menulis dan mengeja. Perkembangan teknologi saat ini dapat dimanfaatkan dalam semua bidang, termasuk pada pembelajaran anak berkebutuhan khusus seperti disleksia. Penelitian ini bertujuan untuk meningkatkan kemampuan membaca menggunakan teknologi Text-To-Speech (TTS) dengan Machine Learning Amazon Polly yang ada pada AWS cloud. Penelitian menggunakan dua metode: review literatur dan eksperimen dengan pre-test dan post-test untuk menilai pengaruh teknologi terhadap kemampuan membaca. Review literatur dengan mengkaji kumpulan literatur dari penelitian terdahulu sebagai sumber data dan data yang diperoleh akan dianalisis secara deskriptif kualitatif untuk mengetahui pengaruh teknologi terhadap kemampuan membaca. Metode kedua adalah pengujian dengan alat ukur berupa pre-test & post-test yang terdiri dari 10 kata. Pengujian dilakukan sebanyak empat pertemuan dengan subjek penelitian 30 responden. Kemudian data dianalisis menggunakan analisis statistik deskriptif, yaitu merupakan analisis statistik yang memberikan gambaran secara umum mengenai karakteristik dari masing – masing variable penelitian yang dilihat dari nilai rata – rata (mean), maximum, minimum. Hasil pre-test menunjukkan nilai rata-rata 2,91, kelompok TTS menunjukkan peningkatan signifikan dengan nilai rata-rata post-test 4,30 dibandingkan dengan kelompok visual 3,72. Data kuesioner menunjukkan aplikasi TTS mudah dimengerti dan diterima baik, dengan 90,9% responden melaporkan peningkatan kemampuan membaca. Analisis statistik deskriptif membuktikan teknologi TTS secara signifikan meningkatkan kemampuan membaca pada anak disleksia.
Abstract
Dyslexia is a learning disorder characterized by difficulties in reading, writing and spelling. Current technological developments can be utilized in all fields, including in the learning of children with special needs such as dyslexia. This research aims to improve reading skills using Text-To-Speech (TTS) technology with Amazon Polly Machine Learning on the AWS cloud. The research used two methods: literature review, and experiments with pre-test and post-test to assess the effect of technology on reading ability. The literature review involves examining a collection of literature from previous research as a data source. The data obtained will be analyzed descriptively and qualitatively to determine the effect of technology on reading ability. The second method involves testing with measuring instruments in the form of a pre-test and post-test consisting of 10 words. Testing was carried out over four meetings with a research sample of 30 respondents. Then, the data are analyzed using descriptive statistical analysis, which provides a general description of the characteristics of each research variable as seen from the average (mean), maximum, and minimum values. The pre-test results showed an average score of 2.91. The TTS group showed significant improvement with a post-test average score of 4.30 compared to the visual group’s score of 3.72. Questionnaire data show that the TTS application is easy to understand and well received, with 90.9% of respondents reporting improved reading ability. Descriptive statistical analysis proves that TTS technology significantly improves reading abilities in dyslexic children.
Klasifikasi Penyakit Alzheimer Dari Scan Mri Otak Menggunakan Convnext
Get PDFPenyakit Alzheimer adalah gangguan neurodegeneratif yang menyebabkan penurunan fungsi kognitif yang signifikan. Penanganan penyakit ini dapat dilakukan melalui deteksi dini untuk meningkatkan kualitas kehidupan pasien melalui perawatan medis yang efisien dan tepat waktu. Teknologi machine learning dan neural network dapat mendukung deteksi dini melalui penggunaan model ConvNeXt yang telah dilatih dengan metode transfer learning menggunakan bobot awal dari ImageNet, dan di-fine-tune untuk mengklasifikasikan empat tingkat keparahan Alzheimer berdasarkan hasil pemindaian MRI otak, yaitu Mild Demented, Moderate Demented, Non Demented, dan Very Mild Demented. Penelitian ini akan menghasilkan model h5 dengan akurasi yang lebih baik daripada model lain sehingga dapat di-deploy pada aplikasi atau website untuk membantu deteksi dini klasifikasi tingkat keparahan Alzheimer.
Abstract
A Alzheimer\u27s disease is a neurodegenerative disorder that causes significant cognitive decline. Early detection is crucial for managing this disease to improve patients\u27 quality of life through efficient and timely medical care. Machine learning and neural network technology can support early detection through the use of the ConvNeXt model, which has been trained using transfer learning with initial weights from ImageNet and fine-tuned to classify four stages of Alzheimer\u27s severity based on brain MRI scans: Non Demented, Very Mild Demented, Mild Demented, and Moderate Demented. This research will produce an h5 model with better accuracy than other models, enabling it to be deployed in applications or websites to assist in the early detection and classification of Alzheimer\u27s severity.
Penyakit Alzheimer adalah gangguan neurodegeneratif yang menyebabkan penurunan fungsi kognitif yang signifikan. Penanganan penyakit ini dapat dilakukan melalui deteksi dini untuk meningkatkan kualitas kehidupan pasien melalui perawatan medis yang efisien dan tepat waktu. Teknologi machine learning dan neural network dapat mendukung deteksi dini melalui penggunaan model ConvNeXt yang telah dilatih dengan metode transfer learning menggunakan bobot awal dari ImageNet, dan di-fine-tune untuk mengklasifikasikan empat tingkat keparahan Alzheimer berdasarkan hasil pemindaian MRI otak, yaitu Mild Demented, Moderate Demented, Non Demented, dan Very Mild Demented. Penelitian ini akan menghasilkan model h5 dengan akurasi yang lebih baik daripada model lain sehingga dapat di-deploy pada aplikasi atau website untuk membantu deteksi dini klasifikasi tingkat keparahan Alzheimer.
Abstract
A Alzheimer\u27s disease is a neurodegenerative disorder that causes significant cognitive decline. Early detection is crucial for managing this disease to improve patients\u27 quality of life through efficient and timely medical care. Machine learning and neural network technology can support early detection through the use of the ConvNeXt model, which has been trained using transfer learning with initial weights from ImageNet and fine-tuned to classify four stages of Alzheimer\u27s severity based on brain MRI scans: Non Demented, Very Mild Demented, Mild Demented, and Moderate Demented. This research will produce an h5 model with better accuracy than other models, enabling it to be deployed in applications or websites to assist in the early detection and classification of Alzheimer\u27s severity.
Pengembangan Internet Of Things (IOT) Dalam Perekaman Data Iklim Mikro Dengan Platform Thingsboard
Get PDFTantangan terbesar pada sektor Pertanian di Indonesia adalah perubahan iklim. Adanya Perubahan iklim memicu perubahan lingkungan yang berimbas pada perubahan respons tanaman. Penelitian ini membahas Teknologi Internet of things (IoT) dalam perekaman data iklim mikro dengan thingsboard. Metode yang digunakan dalam penelitian ini adalah eksperimental dengan perancangan pada penelitian ini terdiri dari perancangan node sensor dan perancangan sistem perekaman dengan platform Thingsboard. Penelitian ini dilakukan dengan tujuh pengujian di antaranya pengujian konektivitas gateway dengan GSM, pengujian jarak dan kualitas sinyal, pengujian delay, pengujian daya tahan perangkat, pengujian integrasi The Things Network dengan Thingsboard, pengujian akurasi sensor dan kalibrasi, serta pengujian packet loss. Penelitian ini menemukan hasil Gateway memiliki jaringan GSM yang stabil sehingga Gateway mampu mengirimkan pembaruan status ke The Things Network dan mampu untuk menerima data yang ditransmisikan oleh node sensor. Selain itu, Pada perangkat LoRa diidentifikasi memiliki batas jangkauan sekitar 350 meter ke dalam UB Forest hal ini didukung dengan hasil dari pengujian kehilangan paket dengan hasil pada node LC dengan jarak 150 meter nilai kehilangan paket sebesar 4%, dan node BAU dengan jarak 200 meter hingga 300 m nilai kehilangan paket sebesar 8%. Penelitian ini juga menemukan bahwa integrasi antara The Things Network (TTN) dan Thingsboard pada sistem LoRa berhasil dilakukan tanpa kendala. Sistem juga memiliki poin plus yang ramah pengguna dan efektif untuk aplikasi pemantauan data iklim mikro. Penelitian ini juga melibatkan proses kalibrasi dengan menggunakan metode regresi untuk menunjukkan tingkat keberhasilan dan nilai akurasi dengan hasil hampir mendekati 100%.
Abstract
The biggest challenge in the agricultural sector in Indonesia is climate change. Climate change triggers environmental changes that have an impact on changes in plant responses. This study discusses Internet of things (IoT) technology in recording microclimate data with Thingsboard. The method used in this study is experimental with the design in this study consisting of designing sensor nodes and designing a recording system with the Thingsboard platform. This research was conducted with seven tests including gateway connectivity testing with GSM, distance and signal quality testing, delay testing, device durability testing, The Things Network integration testing with Thingsboard, sensor accuracy and calibration testing, and packet loss testing. This research found that Gateway has a stable GSM network so that Gateway is able to send status updates to The Things Network and is able to receive data transmitted by sensor nodes. LoRa devices were identified as having a range limit of about 350 meters into UB Forest, this is supported by the results of packet loss testing with results on LC nodes with a distance of 150 meters packet loss value of 4%, and BAU nodes with a distance of 200 meters to 300 m packet loss value of 8%. This research also found that the integration between The Things Network (TTN) and Thingsboard on the LoRa system was successfully carried out without problems. The system also has plus points that are user-friendly and effective for microclimate data monitoring applications. This research also involves a calibration process using regression methods to show the success rate and accuracy value with results approaching 100%.Tantangan terbesar pada sektor Pertanian di Indonesia adalah perubahan iklim. Adanya Perubahan iklim memicu perubahan lingkungan yang berimbas pada perubahan respons tanaman. Penelitian ini membahas Teknologi Internet of things (IoT) dalam perekaman data iklim mikro dengan thingsboard. Metode yang digunakan dalam penelitian ini adalah eksperimental dengan perancangan pada penelitian ini terdiri dari perancangan node sensor dan perancangan sistem perekaman dengan platform Thingsboard. Penelitian ini dilakukan dengan tujuh pengujian di antaranya pengujian konektivitas gateway dengan GSM, pengujian jarak dan kualitas sinyal, pengujian delay, pengujian daya tahan perangkat, pengujian integrasi The Things Network dengan Thingsboard, pengujian akurasi sensor dan kalibrasi, serta pengujian packet loss. Penelitian ini menemukan hasil Gateway memiliki jaringan GSM yang stabil sehingga Gateway mampu mengirimkan pembaruan status ke The Things Network dan mampu untuk menerima data yang ditransmisikan oleh node sensor. Selain itu, Pada perangkat LoRa diidentifikasi memiliki batas jangkauan sekitar 350 meter ke dalam UB Forest hal ini didukung dengan hasil dari pengujian kehilangan paket dengan hasil pada node LC dengan jarak 150 meter nilai kehilangan paket sebesar 4%, dan node BAU dengan jarak 200 meter hingga 300 m nilai kehilangan paket sebesar 8%. Penelitian ini juga menemukan bahwa integrasi antara The Things Network (TTN) dan Thingsboard pada sistem LoRa berhasil dilakukan tanpa kendala. Sistem juga memiliki poin plus yang ramah pengguna dan efektif untuk aplikasi pemantauan data iklim mikro. Penelitian ini juga melibatkan proses kalibrasi dengan menggunakan metode regresi untuk menunjukkan tingkat keberhasilan dan nilai akurasi dengan hasil hampir mendekati 100%.
Abstract
The biggest challenge in the agricultural sector in Indonesia is climate change. Climate change triggers environmental changes that have an impact on changes in plant responses. This study discusses Internet of things (IoT) technology in recording microclimate data with Thingsboard. The method used in this study is experimental with the design in this study consisting of designing sensor nodes and designing a recording system with the Thingsboard platform. This research was conducted with seven tests including gateway connectivity testing with GSM, distance and signal quality testing, delay testing, device durability testing, The Things Network integration testing with Thingsboard, sensor accuracy and calibration testing, and packet loss testing. This research found that Gateway has a stable GSM network so that Gateway is able to send status updates to The Things Network and is able to receive data transmitted by sensor nodes. LoRa devices were identified as having a range limit of about 350 meters into UB Forest, this is supported by the results of packet loss testing with results on LC nodes with a distance of 150 meters packet loss value of 4%, and BAU nodes with a distance of 200 meters to 300 m packet loss value of 8%. This research also found that the integration between The Things Network (TTN) and Thingsboard on the LoRa system was successfully carried out without problems. The system also has plus points that are user-friendly and effective for microclimate data monitoring applications. This research also involves a calibration process using regression methods to show the success rate and accuracy value with results approaching 100%
Pengaruh Klasifikasi Sentimen Pada Ulasan Produk Amazon Berbasis Rekayasa Fitur dan K-Nearest Negihbor
Get PDFUlasan online menjadi faktor penting yang mendorong konsumen untuk membeli barang di e-commerce. Dalam e-commerce, ulasan pelanggan sebelumnya dapat membantu pembeli membuat keputusan yang lebih baik dengan memberikan informasi tentang kualitas produk, kekuatan dan kelemahan, perilaku penjual, harga, dan waktu pengiriman. Namun, keberadaan ulasan palsu menimbulkan tantangan dalam menilai sentimen yang diungkapkan oleh pelanggan asli secara benar. Dalam penelitian ini, berfokus pada analisis sentimen dan bertujuan untuk mengeksplorasi peran sentimen dalam ulasan produk Amazon. Penelitian ini menggunakan kombinasi fitur dari konten ulasan dengan menerapkan klasifikasi K-Nearest Neighbor untuk mengklasifikasikan polaritas sentimen ulasan secara akurat. Dalam mengekstrak skor polaritas dari ulasan, penelitian ini menggunakan pendekatan analisis sentimen berbasis leksikon yaitu Textblob Library dan menetapkan label sentimen dari ulasan produk. Hasil dari pemodelan yang diusulkan mencapai tingkat akurasi sebesar 83% yang menunjukkan keefektifan pemodelan yang diusulkan dalam analisis sentimen. Hasil dari penelitian ini dapat membantu konsumen dalam membuat keputusan pembelian dan membantu penjual dalam meningkatkan nilai produk dan layanan mereka berdasarkan feedback yang diberikan oleh pelanggan.Ulasan online menjadi faktor penting yang mendorong konsumen untuk membeli barang di e-commerce. Dalam e-commerce, ulasan pelanggan sebelumnya dapat membantu pembeli membuat keputusan yang lebih baik dengan memberikan informasi tentang kualitas produk, kekuatan dan kelemahan, perilaku penjual, harga, dan waktu pengiriman. Namun, keberadaan ulasan palsu menimbulkan tantangan dalam menilai sentimen yang diungkapkan oleh pelanggan asli secara benar. Dalam penelitian ini, berfokus pada analisis sentimen dan bertujuan untuk mengeksplorasi peran sentimen dalam ulasan produk Amazon. Penelitian ini menggunakan kombinasi fitur dari konten ulasan dengan menerapkan klasifikasi K-Nearest Neighbor untuk mengklasifikasikan polaritas sentimen ulasan secara akurat. Dalam mengekstrak skor polaritas dari ulasan, penelitian ini menggunakan pendekatan analisis sentimen berbasis leksikon yaitu Textblob Library dan menetapkan label sentimen dari ulasan produk. Hasil dari pemodelan yang diusulkan mencapai tingkat akurasi sebesar 83% yang menunjukkan keefektifan pemodelan yang diusulkan dalam analisis sentimen. Hasil dari penelitian ini dapat membantu konsumen dalam membuat keputusan pembelian dan membantu penjual dalam meningkatkan nilai produk dan layanan mereka berdasarkan feedback yang diberikan oleh pelanggan
Kombinasi Intent Classification dan Named Entity Recognition pada Data Berbahasa Indonesia dengan Metode Dual Intent and Entity Transformer
Get PDFPelayanan pelanggan atau customer service adalah sebuah bentuk upaya pemenuhan keinginan dan kebutuhan pelanggan yang disertai dengan ketepatan penyampaian sesuai standar perusahaan demi memenuhi harapan pelanggan. Pada beberapa kasus seperti layanan perbankan, diperlukan layanan pelanggan yang dapat diakses setiap saat dengan ketepatan dan daya tanggap tinggi. Atas kebutuhan pelayanan dengan kualitas tinggi ini, perusahaan dapat mengaplikasikan konsep pelayanan prima. Salah satu penerapan konsep kecerdasan buatan demi pelaksanaan pelayanan prima adalah penggunaan chatbot, yang memerlukan metode yang tepat bagi proses klasifikasi intensi pengguna maupun Named Entity Recognition (NER). Salah satu kekurangan dari pelaksanaan klasifikasi intensi dan NER secara terpisah terletak pada representasi numerik yang digunakan dalam tiap model. Meski menggunakan data latih dan arsitektur model yang serupa, model dapat menghasilkan representasi numerik yang berbeda dalam tahap fiturisasi, sehingga berpotensi mengurangi tingkat generalisasi model. Untuk mengatasi masalah tersebut, klasifikasi intensi dan NER dapat digabungkan dengan menggunakan mekanisme multi-task learning dalam bentuk model Dual Intent and Entity Transformer (DIET). Penelitian dilakukan dengan memanfaatkan data sekunder dari Helpdesk TIK UB, merancang model DIET menggunakan pustaka PyTorch dan Transformers, lalu mengevaluasi model DIET menggunakan f1-score. Kombinasi hyperparameter terbaik yang didapatkan adalah warm-up step sebesar 70, early stopping patience sebesar 15, weight decay sebesar 0,01, bobot loss NER sebesar 0,6, dan bobot loss klasifikasi intensi berupa 0,4. Kombinasi hyperparameter yang telah diperoleh menghasilkan kapabilitas yang berbeda apabila terdapat perubahan dalam data yang digunakan, karena kapabilitas model DIET baik dalam melakukan klasifikasi intensi maupun NER sangat bergantung terhadap data.
Abstract
Customer service is a way to fulfill the wants and needs of customers accompanied by the accuracy of delivery according to company standards in order to meet customer expectations. In some cases such as banking services, customer service is needed that can be accessed at any time with high accuracy and responsiveness. For this high-quality service requirement, companies can implement the concept of excellent service. One application of artificial intelligence for service excellence is the use of a chatbot, which requires an appropriate method for the classification of user intent and Named Entity Recognition (NER). One of the drawbacks of performing intent classification and NER separately lies in the different numerical representations used in each model. Despite using similar training data and model architecture, the models may produce different numerical representations in the featurization stage, potentially reducing the generalization ability of the model. To overcome this problem, intent and NER classification can be combined using a multi-task learning mechanism in the form of a Dual Intent and Entity Transformer (DIET) model. The research was conducted by utilizing secondary data from Helpdesk TIK UB, designing DIET models using PyTorch and Transformers libraries, then evaluating DIET models using f1-score. The best hyperparameter combination obtained is a warm-up step of 70, early stopping patience of 15, weight decay of 0.01, NER loss weight of 0.6, and intent classification loss weight of 0.4. The combination of hyperparameters that have been obtained produce different capabilities if there are changes in the data that is used because the capabilities of the DIET model in both intention and NER classification are highly dependent on the data.Pelayanan pelanggan atau customer service adalah sebuah bentuk upaya pemenuhan keinginan dan kebutuhan pelanggan yang disertai dengan ketepatan penyampaian sesuai standar perusahaan demi memenuhi harapan pelanggan. Pada beberapa kasus seperti layanan perbankan, diperlukan layanan pelanggan yang dapat diakses setiap saat dengan ketepatan dan daya tanggap tinggi. Atas kebutuhan pelayanan dengan kualitas tinggi ini, perusahaan dapat mengaplikasikan konsep pelayanan prima. Salah satu penerapan konsep kecerdasan buatan demi pelaksanaan pelayanan prima adalah penggunaan chatbot, yang memerlukan metode yang tepat bagi proses klasifikasi intensi pengguna maupun Named Entity Recognition (NER). Salah satu kekurangan dari pelaksanaan klasifikasi intensi dan NER secara terpisah terletak pada representasi numerik yang digunakan dalam tiap model. Meski menggunakan data latih dan arsitektur model yang serupa, model dapat menghasilkan representasi numerik yang berbeda dalam tahap fiturisasi, sehingga berpotensi mengurangi tingkat generalisasi model. Untuk mengatasi masalah tersebut, klasifikasi intensi dan NER dapat digabungkan dengan menggunakan mekanisme multi-task learning dalam bentuk model Dual Intent and Entity Transformer (DIET). Penelitian dilakukan dengan memanfaatkan data sekunder dari Helpdesk TIK UB, merancang model DIET menggunakan pustaka PyTorch dan Transformers, lalu mengevaluasi model DIET menggunakan f1-score. Kombinasi hyperparameter terbaik yang didapatkan adalah warm-up step sebesar 70, early stopping patience sebesar 15, weight decay sebesar 0,01, bobot loss NER sebesar 0,6, dan bobot loss klasifikasi intensi berupa 0,4. Kombinasi hyperparameter yang telah diperoleh menghasilkan kapabilitas yang berbeda apabila terdapat perubahan dalam data yang digunakan, karena kapabilitas model DIET baik dalam melakukan klasifikasi intensi maupun NER sangat bergantung terhadap data.
Abstract
Customer service is a way to fulfill the wants and needs of customers accompanied by the accuracy of delivery according to company standards in order to meet customer expectations. In some cases such as banking services, customer service is needed that can be accessed at any time with high accuracy and responsiveness. For this high-quality service requirement, companies can implement the concept of excellent service. One application of artificial intelligence for service excellence is the use of a chatbot, which requires an appropriate method for the classification of user intent and Named Entity Recognition (NER). One of the drawbacks of performing intent classification and NER separately lies in the different numerical representations used in each model. Despite using similar training data and model architecture, the models may produce different numerical representations in the featurization stage, potentially reducing the generalization ability of the model. To overcome this problem, intent and NER classification can be combined using a multi-task learning mechanism in the form of a Dual Intent and Entity Transformer (DIET) model. The research was conducted by utilizing secondary data from Helpdesk TIK UB, designing DIET models using PyTorch and Transformers libraries, then evaluating DIET models using f1-score. The best hyperparameter combination obtained is a warm-up step of 70, early stopping patience of 15, weight decay of 0.01, NER loss weight of 0.6, and intent classification loss weight of 0.4. The combination of hyperparameters that have been obtained produce different capabilities if there are changes in the data that is used because the capabilities of the DIET model in both intention and NER classification are highly dependent on the data
Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Kepribadian MBTI Menggunakan Naive Bayes Classifier
Get PDFKepribadian Myers-Briggs Type Indicator ( MBTI ) telah menjadi topik populer dalam memahami karakteristik individu dan dampaknya pada interaksi sosial, karir, dan pengambilan keputusan. Model Machine Learning dengan algoritma Naive Bayes Classifier sering digunakan untuk memprediksi kepribadian MBTI berdasarkan data Twitter. Namun, seringkali terjadi ketidakseimbangan kelas, dengan beberapa jenis kepribadian yang memiliki sampel lebih sedikit. Untuk mengatasi hal ini, penelitian ini menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk meningkatkan jumlah sampel pada kelas minoritas. Selain itu, metode Term Frequency-Inverse Document Frequency (TF-IDF) digunakan untuk mengekstraksi fitur penting dari teks. Penelitian ini bertujuan menerapkan teknik SMOTE untuk mengatasi ketidakseimbangan kelas dalam klasifikasi kepribadian MBTI menggunakan beberapa algoritma Naive Bayes Classifier, termasuk Gaussian, Multinomial, Bernoulli, Complement, dan Logistic Regression berdasarkan model Keirsey: Artisan, Guardian, Rational, dan Idealist. Evaluasi menggunakan metode Hold-Out-Validation dengan membagi data menjadi 90% data latih dan 10% data uji. Hasil evaluasi menunjukkan performa rendah algoritma Naive Bayes Classifier untuk kelas Artisan dan Guardian, tetapi baik untuk kelas Rational dan Idealist. Algoritma Logistic Regression memiliki akurasi tertinggi 80% dan performa yang lebih baik secara keseluruhan, meskipun masih rendah untuk kelas Artisan dan Guardian. Dengan demikian, penelitian ini memberikan pemahaman tentang penggunaan algoritma Naive Bayes Classifier dan teknik SMOTE dalam prediksi kepribadian MBTI, dengan potensi peningkatan kinerja melalui penggunaan algoritma Logistic Regression.
Abstract
Myers-Briggs Type Indicator (MBTI) personality is becoming a popular topic in understanding individual characteristics and their impact on social interaction, career, and decision-making. Machine Learning models with Naive Bayes Classifier algorithms are often used to predict MBTI personalities from Twitter data. However, there is often a class imbalance, with some personality types having a smaller sample. To overcome this, this study used the Synthetic Minority Over-sampling Technique (SMOTE) technique to increase the number of samples in minority classes. Additionally, the Term Frequency-Inverse Document Frequency (TF-IDF) method is used to extract important features from text. This study aims to apply SMOTE techniques to address class imbalances in MBTI personality classification using several Naïve Bayes Classifier algorithms, including Gaussian, Multinomial, Bernoulli, Complement, and Logistic Regression based on Keirsey\u27s model: Artisan, Guardian, Rational, and Idealist. Evaluation using the Hold-Out-Validation method by dividing the data into 90% training data and 10% test data. The evaluation results showed low performance of the Naive Bayes Classifier algorithm for the Artisan and Guardian classes, but both for the Rational and Idealist classes. The Logistic Regression algorithm has the highest accuracy of 79% and better performance overall, although it is still low for the Artisan and Guardian classes. Thus, this study provides insight into the use of Naive Bayes Classifier algorithm and SMOTE technique in MBTI personality prediction, with potential performance improvement through the use of Logistic Regression algorithm.Kepribadian Myers-Briggs Type Indicator ( MBTI ) telah menjadi topik populer dalam memahami karakteristik individu dan dampaknya pada interaksi sosial, karir, dan pengambilan keputusan. Model Machine Learning dengan algoritma Naive Bayes Classifier sering digunakan untuk memprediksi kepribadian MBTI berdasarkan data Twitter. Namun, seringkali terjadi ketidakseimbangan kelas, dengan beberapa jenis kepribadian yang memiliki sampel lebih sedikit. Untuk mengatasi hal ini, penelitian ini menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk meningkatkan jumlah sampel pada kelas minoritas. Selain itu, metode Term Frequency-Inverse Document Frequency (TF-IDF) digunakan untuk mengekstraksi fitur penting dari teks. Penelitian ini bertujuan menerapkan teknik SMOTE untuk mengatasi ketidakseimbangan kelas dalam klasifikasi kepribadian MBTI menggunakan beberapa algoritma Naive Bayes Classifier, termasuk Gaussian, Multinomial, Bernoulli, Complement, dan Logistic Regression berdasarkan model Keirsey: Artisan, Guardian, Rational, dan Idealist. Evaluasi menggunakan metode Hold-Out-Validation dengan membagi data menjadi 90% data latih dan 10% data uji. Hasil evaluasi menunjukkan performa rendah algoritma Naive Bayes Classifier untuk kelas Artisan dan Guardian, tetapi baik untuk kelas Rational dan Idealist. Algoritma Logistic Regression memiliki akurasi tertinggi 80% dan performa yang lebih baik secara keseluruhan, meskipun masih rendah untuk kelas Artisan dan Guardian. Dengan demikian, penelitian ini memberikan pemahaman tentang penggunaan algoritma Naive Bayes Classifier dan teknik SMOTE dalam prediksi kepribadian MBTI, dengan potensi peningkatan kinerja melalui penggunaan algoritma Logistic Regression.
Abstract
Myers-Briggs Type Indicator (MBTI) personality is becoming a popular topic in understanding individual characteristics and their impact on social interaction, career, and decision-making. Machine Learning models with Naive Bayes Classifier algorithms are often used to predict MBTI personalities from Twitter data. However, there is often a class imbalance, with some personality types having a smaller sample. To overcome this, this study used the Synthetic Minority Over-sampling Technique (SMOTE) technique to increase the number of samples in minority classes. Additionally, the Term Frequency-Inverse Document Frequency (TF-IDF) method is used to extract important features from text. This study aims to apply SMOTE techniques to address class imbalances in MBTI personality classification using several Naïve Bayes Classifier algorithms, including Gaussian, Multinomial, Bernoulli, Complement, and Logistic Regression based on Keirsey\u27s model: Artisan, Guardian, Rational, and Idealist. Evaluation using the Hold-Out-Validation method by dividing the data into 90% training data and 10% test data. The evaluation results showed low performance of the Naive Bayes Classifier algorithm for the Artisan and Guardian classes, but both for the Rational and Idealist classes. The Logistic Regression algorithm has the highest accuracy of 79% and better performance overall, although it is still low for the Artisan and Guardian classes. Thus, this study provides insight into the use of Naive Bayes Classifier algorithm and SMOTE technique in MBTI personality prediction, with potential performance improvement through the use of Logistic Regression algorithm
Inovasi Rancangan Aplikasi Gizi Nutrief dalam Optimalisasi Asupan Gizi Menggunakan Pendekatan Design Thinking
Get PDFPola makan yang tidak sehat berpotensi menyebabkan gangguan gizi, seperti status gizi lebih atau status gizi kurang. Maka, penting mangatur dan memantau pola makan sehat sehingga memperoleh asupan gizi seimbang. Namun, kesulitan yang dialami oleh masyarakat dalam memahami status gizi dan mengontrol pola makan. Maka, dibutuhkan suatu aplikasi yang dapat membantu dalam memantau asupan kalori, memantau jumlah asupan makanan sesuai kebutuhan, serta aplikasi yang menyediakan layanan untuk konsultasi dengan ahli gizi. Metode yang digunakan dalam perancangan aplikasi yaitu, design thinking. Metode design thinking dipilih dibandingkan metode lain seperti user-centered design ataupun human-centered design karena metode tersebut berfokus pada perspektif pengguna akhir. Sedangkan, metode design thinking fokus pada pendekatan berdasarkan empati terhadap pengguna dan dapat menemukan solusi inovatif. Hasil pengujian usability pada aspek efektivitas oleh pengguna teregistrasi sebesar 97,78%, dan ahli gizi sebesar 95,7%. Pada aspek efisiensi memperoleh hasil 0,049 goals/sec. Kemudian, aspek kepuasan dengan menggunakan kuesioner System Usability Scale (SUS) memperoleh hasil 79,5 oleh pengguna teregistasi, dan 89 oleh ahli gizi. Hasil pengujian user experience menggunakan user experience questionnaire (UEQ) memperoleh hasil 2,65 pada aspek daya tarik, 2,60 pada aspek kejelasan, 2,58 pada aspek efisiensi, 2,50 pada aspek ketepatan, 1,30 pada aspek stimulasi, dan 2,43 pada aspek kebaruan. Semua aspek mendapatkan hasil exellent, kecuali satu aspek, yaitu aspek stimulasi mendapatkan hasil above average.
Abstract
Unhealthy eating habit can result in nutritional disorders, such us overweight, or malnutrition. So, it is important to manage and monitor a healthy eating habit so get a balanced nutrition intake. However, the difficulties experienced by the community in understanding nutrition status and controlling eating habit. So, an application is needed that can help monitor calorie intake, monitor the amount of food intake as needed, as well as an application that provides services for consulting with a nutritionist. The method used in application design is design thinking. The design thinking method was chosen over other methods such as user-centered design or human-centered design because these methods focus on the end-user perspective. Meanwhile, the design thinking method focuses on an empathy-based approach to users and being able to find innovative solutions. The results of usability testing on the effectiveness aspect by registered users were 97.78%, and nutritionists were 95.7%. On the efficiency aspect, the result is 0.049 goals/sec. Then, aspects of satisfaction using the System Usability Scale (SUS) questionnaire obtained 79.5 for registered users, and 89 for nutritionists. The results of user experience testing using the user experience questionnaire (UEQ) obtained 2.65 on the attractiveness aspect, 2.60 on the clarity aspect, 2.58 on the efficiency aspect, 2.50 on the accuracy aspect, 1.30 on the stimulation aspect, and 2.43 on the novelty aspect. All aspects get excellent results, except for one aspect, namely the stimulation aspect gets above average results.Pola makan yang tidak sehat berpotensi menyebabkan gangguan gizi, seperti status gizi lebih atau status gizi kurang. Maka, penting mangatur dan memantau pola makan sehat sehingga memperoleh asupan gizi seimbang. Namun, kesulitan yang dialami oleh masyarakat dalam memahami status gizi dan mengontrol pola makan. Maka, dibutuhkan suatu aplikasi yang dapat membantu dalam memantau asupan kalori, memantau jumlah asupan makanan sesuai kebutuhan, serta aplikasi yang menyediakan layanan untuk konsultasi dengan ahli gizi. Metode yang digunakan dalam perancangan aplikasi yaitu, design thinking. Metode design thinking dipilih dibandingkan metode lain seperti user-centered design ataupun human-centered design karena metode tersebut berfokus pada perspektif pengguna akhir. Sedangkan, metode design thinking fokus pada pendekatan berdasarkan empati terhadap pengguna dan dapat menemukan solusi inovatif. Hasil pengujian usability pada aspek efektivitas oleh pengguna teregistrasi sebesar 97,78%, dan ahli gizi sebesar 95,7%. Pada aspek efisiensi memperoleh hasil 0,049 goals/sec. Kemudian, aspek kepuasan dengan menggunakan kuesioner System Usability Scale (SUS) memperoleh hasil 79,5 oleh pengguna teregistasi, dan 89 oleh ahli gizi. Hasil pengujian user experience menggunakan user experience questionnaire (UEQ) memperoleh hasil 2,65 pada aspek daya tarik, 2,60 pada aspek kejelasan, 2,58 pada aspek efisiensi, 2,50 pada aspek ketepatan, 1,30 pada aspek stimulasi, dan 2,43 pada aspek kebaruan. Semua aspek mendapatkan hasil exellent, kecuali satu aspek, yaitu aspek stimulasi mendapatkan hasil above average.
Abstract
Unhealthy eating habit can result in nutritional disorders, such us overweight, or malnutrition. So, it is important to manage and monitor a healthy eating habit so get a balanced nutrition intake. However, the difficulties experienced by the community in understanding nutrition status and controlling eating habit. So, an application is needed that can help monitor calorie intake, monitor the amount of food intake as needed, as well as an application that provides services for consulting with a nutritionist. The method used in application design is design thinking. The design thinking method was chosen over other methods such as user-centered design or human-centered design because these methods focus on the end-user perspective. Meanwhile, the design thinking method focuses on an empathy-based approach to users and being able to find innovative solutions. The results of usability testing on the effectiveness aspect by registered users were 97.78%, and nutritionists were 95.7%. On the efficiency aspect, the result is 0.049 goals/sec. Then, aspects of satisfaction using the System Usability Scale (SUS) questionnaire obtained 79.5 for registered users, and 89 for nutritionists. The results of user experience testing using the user experience questionnaire (UEQ) obtained 2.65 on the attractiveness aspect, 2.60 on the clarity aspect, 2.58 on the efficiency aspect, 2.50 on the accuracy aspect, 1.30 on the stimulation aspect, and 2.43 on the novelty aspect. All aspects get excellent results, except for one aspect, namely the stimulation aspect gets above average results