Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Analisis Kinerja Algoritma Klasifikasi Teks Bert dalam Mendeteksi Berita Hoaks
Get PDFMetode BERT dapat digunakan untuk menghasilkan hasil yang akurat dalam klasifikasi berita palsu dan berita benar. Hasil evaluasi menunjukkan bahwa model klasifikasi BERT memiliki akurasi sebesar 76% pada data validasi dalam mengklasifikasikan berita hoaks, yang menunjukkan performa atau kinerja model Machine Learning dalam melakukan klasifikasi berita hoaks. Sedangkan pada model klasifikasi BERT Multilingual memiliki akurasi lebih rendah, yakni 63%. Potensi metode ini dapat membantu dalam memerangi penyebaran berita palsu. Penelitian ini berpotensi memberikan kontribusi penting dalam memerangi penyebaran berita palsu di dunia digital yang semakin kompleks. Dengan menggunakan BERT sebagai pendekatan, model ini memungkinkan pengidentifikasian berita palsu yang lebih akurat, serta membantu masyarakat dalam menghindari konsumsi informasi yang salah. Dengan hasil yang positif ini, penelitian ini menunjukkan bagaimana teknologi machine learning dapat digunakan untuk melawan disinformasi dan menjadikan dunia maya menjadi tempat yang lebih terpercaya.Teknologi yang mengalami perkembangan tentu memiliki dampak positif dan negatif. Internet yang menjadi hasil perkembangan teknologi tidak luput dari dampak negatif, yaitu munculnya hoaks. Hoaks merupakan berita palsu yang saat ini menjadi isu penting di masyarakat. Hoaks sengaja disebarkan untuk menimbulkan keresahan dan kegaduhan dalam berbagai bidang, seperti sosial budaya, politik, hingga ekonomi. Penelitian yang dilakukan berikut sangat penting karena dapat memberikan kontribusi penting dalam memerangi penyebaran berita hoaks di dunia digital yang semakin kompleks dengan melakukan klasifikasi berita benar dan berita hoaks. Dalam penelitian ini, data yang digunakan berasal dari tiga dataset publik yang diunduh dari website bernama “onlineacademiccommunity.uvic.ca”, “HuggingFace.co” dan “Kaggle.com”. Data dibagi menjadi tiga bagian: pelatihan (70%), validasi (15%), dan pengujian (15%). Model BERT diinisialisasi, optimizer AdamW digunakan dengan NLLLoss, dan model dilatih selama beberapa epoch. Model dievaluasi menggunakan data validasi untuk menghindari overfitting. Model yang digunakan untuk mengklasifikasikan data uji. Hasil evaluasi menunjukkan bahwa model klasifikasi BERT memiliki akurasi sebesar 76% pada data validasi dalam mengklasifikasikan berita hoaks, yang menunjukkan performa atau kinerja model Machine Learning dalam melakukan klasifikasi berita hoaks. Sedangkan pada model klasifikasi BERT Multilingual memiliki akurasi lebih rendah, yakni 63%. Penelitian ini berpotensi memberikan kontribusi penting dalam memerangi penyebaran berita hoaks di dunia digital yang semakin kompleks. Dengan menggunakan BERT sebagai pendekatan, model ini memungkinkan pengidentifikasian berita hoaks yang lebih akurat, serta membantu masyarakat dalam menghindari konsumsi informasi yang salah. Dengan hasil yang positif ini, penelitian ini menunjukkan bagaimana teknologi machine learning dapat digunakan untuk melawan disinformasi dan menjadikan dunia maya menjadi tempat yang lebih terpercaya.
Abstract
The development of technology certainly has positive and negative impacts. The internet, which is the result of technological development, does not escape the negative impact, namely the emergence of hoaxes. Hoaxes are fake news that is currently an important issue in society. Hoaxes are deliberately spread to cause unrest and uproar in various fields, such as socio-culture, politics, and economics. The following research is very important because it can make an important contribution in combating the spread of hoax news in an increasingly complex digital world by classifying true news and hoax news. In this research, the data used comes from three public datasets downloaded from websites named "onlineacademiccommunity.uvic.ca", "HuggingFace.co" and "Kaggle.com". The data is divided into three parts: training (70%), validation (15%), and testing (15%). The BERT model was initialized, the AdamW optimizer was used with NLLLoss, and the model was trained for several epochs. The model was evaluated using validation data to avoid overfitting. The model was used to classify the test data. The evaluation results show that the BERT classification model has an accuracy of 76% on validation data in classifying hoax news, which shows the performance of the Machine Learning model in classifying hoax news. Meanwhile, the BERT Multilingual classification model has a lower accuracy of 63%. This research has the potential to make an important contribution in combating the spread of hoax news in an increasingly complex digital world. By using BERT as an approach, this model allows for more accurate identification of hoax news, as well as assisting the public in avoiding the consumption of misinformation. With these positive results, this research shows how machine learning technology can be used to fight disinformation and make cyberspace a more trusted place.
Analisis Sentimen E-Learning X Terhadap Antarmuka Pengguna Menggunakan Kombinasi Multinomial Naive Bayes dan Pendekatan Design Thinking
Get PDFPenelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap antarmuka e-learning X menggunakan kombinasi Multinomial Naive Bayes dan pendekatan Design Thinking. Permasalahan yang dihadapi adalah banyaknya feedback negatif terkait antarmuka pengguna yang dianggap kurang intuitif. Data sentimen dari ulasan pengguna diklasifikasikan menggunakan algoritma Multinomial Naive Bayes, sementara Design Thinking digunakan untuk merancang solusi antarmuka yang lebih user-friendly. Hasilnya menunjukkan bahwa metode ini efektif meningkatkan sentimen positif pengguna, dengan perbaikan signifikan dalam pengalaman dan kepuasan pengguna terhadap antarmuka e-learning X, Serta rekomendasi untuk pengembangan aplikasi e-learning.
Abstract
This research aims to analyze user sentiment towards the e-learning interface X using a combination of Multinomial Naive Bayes and Design Thinking approaches. The problem faced was the large number of negative feedback regarding the user interface which was considered less intuitive. Sentiment data from user reviews is classified using the Multinomial Naive Bayes algorithm, while Design Thinking is used to design more user-friendly interface solutions. The results show that this method is effective in increasing positive user sentiment, with significant improvements in user experience and satisfaction with the X e-learning interface As well as recommendations for developing e-learning applications.Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap antarmuka e-learning X menggunakan kombinasi Multinomial Naive Bayes dan pendekatan Design Thinking. Permasalahan yang dihadapi adalah banyaknya feedback negatif terkait antarmuka pengguna yang dianggap kurang intuitif. Data sentimen dari ulasan pengguna diklasifikasikan menggunakan algoritma Multinomial Naive Bayes, sementara Design Thinking digunakan untuk merancang solusi antarmuka yang lebih user-friendly. Hasilnya menunjukkan bahwa metode ini efektif meningkatkan sentimen positif pengguna, dengan perbaikan signifikan dalam pengalaman dan kepuasan pengguna terhadap antarmuka e-learning X, Serta rekomendasi untuk pengembangan aplikasi e-learning.
Abstract
This research aims to analyze user sentiment towards the e-learning interface X using a combination of Multinomial Naive Bayes and Design Thinking approaches. The problem faced was the large number of negative feedback regarding the user interface which was considered less intuitive. Sentiment data from user reviews is classified using the Multinomial Naive Bayes algorithm, while Design Thinking is used to design more user-friendly interface solutions. The results show that this method is effective in increasing positive user sentiment, with significant improvements in user experience and satisfaction with the X e-learning interface As well as recommendations for developing e-learning applications
Model Deep Learning untuk Klasifikasi Objek pada Gambar Fisheye
Get PDFPengenalan suatu objek secara otomatis adalah suatu pekerjaan yang sangat penting seperti halnya untuk mengidentifikasi sebuah objek tertentu. Jika hal ini dilakukan oleh manusia maka akan sulit untuk mendapatkan hasil yang baik dengan konsisten, oleh sebab itu digunakan komputer. Komputer dapat mengenali objek selayaknya kemampuan manusia dalam mengenali objek, dengan cara mengamati gambar yang diperoleh dari kamera, dan menerapkan metode pengenalan pada gambar tersebut. Pada penelitian ini metode pengenalan objek akan dikembangkan dengan menggunakan kamera fisheye yang memiliki luas tangkap empat kali kamera konvensional. Metode pengenalan objek yang digunakan yaitu deep learning dengan arsitektur CNN (Convolution Neural Network). CNN memiliki kemampuan untuk mengenali objek dalam gambar. Model CNN yang digunakan terdiri dari 1 layer, 2 layer, 3 layer, dan 7 layer. Sedangkan untuk melatih dan memvalidasi model tersebut digunakan 900 gambar dataset. Hasil pengujian pada penelitian Skripsi ini menunjukan bahwa pada 7 layer CNN menghasilkan nilai presisi, recall dan akurasi tertinggi dengan komposisi nilai presisi 98,56%, recall 98,5% dan akurasi 98,59%. Nilai tersebut menunjukan bahwa hasil klasifikasi terhadap ketiga klasifikasi objek gambar manusia pada gambar fisheye dapat dilakukan dengan sangat baik.Pengenalan suatu objek secara otomatis adalah suatu pekerjaan yang sangat penting seperti halnya untuk mengidentifikasi sebuah objek tertentu. Jika hal ini dilakukan oleh manusia maka akan sulit untuk mendapatkan hasil yang baik dengan konsisten, oleh sebab itu digunakan komputer. Komputer dapat mengenali objek selayaknya kemampuan manusia dalam mengenali objek, dengan cara mengamati gambar yang diperoleh dari kamera, dan menerapkan metode pengenalan pada gambar tersebut. Pada penelitian ini metode pengenalan objek akan dikembangkan dengan menggunakan kamera fisheye yang memiliki luas tangkap empat kali kamera konvensional. Metode pengenalan objek yang digunakan yaitu deep learning dengan arsitektur CNN (Convolution Neural Network). CNN memiliki kemampuan untuk mengenali objek dalam gambar. Model CNN yang digunakan terdiri dari 1 layer, 2 layer, 3 layer, dan 7 layer. Sedangkan untuk melatih dan memvalidasi model tersebut digunakan 900 gambar dataset. Hasil pengujian pada penelitian ini menunjukan bahwa pada 7 layer CNN menghasilkan nilai presisi, recall dan akurasi tertinggi dengan komposisi nilai presisi 98,56%, recall 98,5% dan akurasi 98,59%. Nilai tersebut menunjukan bahwa hasil klasifikasi terhadap ketiga klasifikasi objek gambar manusia pada gambar fisheye dapat dilakukan dengan sangat baik.
Abstract
Object recognition is an important method of identifying object in an image. If this method is carried out by the humans, it is difficult to work continuously, therefore, it can be done by a computer. The computer can recognize an object on an image taken from a camera as if a human if it is trained whit a certain dataset of be object. In this research, a method a recognizing object is developed by using images captured from a fisheye camera. This camera provides better field of view four times then confessional camera. The object recognition method relies on convolutional neural network architecture that has capability to recognize object on an image. The CNN model is developed in four types of models. The first model consists of 1 layer, while the second model consist of 2 layers. The thread model consists of 3 layers, while the last consist of 7 layers. The number of datasets used for training and testing each model is 900 images. The experiment results showed that the four model which consist of 7 layers provide the best result. This is confirmed by the number of precisions, recall, and accuracy, which reach 98,56%, 98,5%, and 98,59% respectively. This result means that can classify three different objects of human on fisheye images well
Simulasi Kerumunan NPC Pada Game “Pengenalan Uin Malang” Menggunakan Metode Flocking
Get PDFPenelitian ini mengimplementasikan metode flocking untuk mensimulasikan perilaku kerumunan pada NPC dalam game "Pengenalan UIN Malang" untuk menciptakan perilaku berkerumun yang realistis. Meskipun kerumunan NPC tanpa metode memiliki waktu tempuh lebih cepat, kerumunan NPC dengan metode flocking memberikan perilaku berkerumun yang interaktif dengan tingkat usability yang baik. Hasil evaluasi menggunakan System Usability Testing menunjukkan skor usability yang memadai. Implementasi ini berhasil menciptakan pengalaman berinteraksi yang lebih baik, meskipun waktu tempuhnya tidak secepat NPC tanpa metode.
Abstract
This research implements the flocking method to simulate crowd behavior on NPCs in the game "Introduction to UIN Malang" to create realistic crowding behavior. Although NPC crowding without a method has a faster travel time, NPC crowding with the flocking method provides interactive swarming behavior with a good level of usability. Evaluation results using System Usability Testing show adequate usability scores. This implementation succeeded in creating a better interaction experience, although the travel time was not as fast as NPCs without the method.Penelitian ini mengimplementasikan metode flocking untuk mensimulasikan perilaku kerumunan pada NPC dalam game "Pengenalan UIN Malang" untuk menciptakan perilaku berkerumun yang realistis. Meskipun kerumunan NPC tanpa metode memiliki waktu tempuh lebih cepat, kerumunan NPC dengan metode flocking memberikan perilaku berkerumun yang interaktif dengan tingkat usability yang baik. Hasil evaluasi menggunakan System Usability Testing menunjukkan skor usability yang memadai. Implementasi ini berhasil menciptakan pengalaman berinteraksi yang lebih baik, meskipun waktu tempuhnya tidak secepat NPC tanpa metode.
Abstract
This research implements the flocking method to simulate crowd behavior on NPCs in the game "Introduction to UIN Malang" to create realistic crowding behavior. Although NPC crowding without a method has a faster travel time, NPC crowding with the flocking method provides interactive swarming behavior with a good level of usability. Evaluation results using System Usability Testing show adequate usability scores. This implementation succeeded in creating a better interaction experience, although the travel time was not as fast as NPCs without the method
Implementasi Protokol Aodv Menggunakan Esp-Now pada Wireless Sensor Network Berbasis ESP32
Get PDFDi era Internet of Things (IoT) yang semakin berkembang, Wireless Sensor Network (WSN) berperan penting dalam menghubungkan perangkat, memfasilitasi pertukaran data, dan menghemat sumber daya. Namun, WSN masih menghadapi tantangan operasional, seperti pengumpulan data sensor yang luas, operasional dengan energi terbatas, dan adaptasi dengan dinamika lingkungan yang berubah. Penelitian ini mengkaji implementasi protokol Ad hoc On-Demand Distance Vector (AODV) bersama ESP-NOW pada mikrokontroler ESP32, dengan tujuan utama meningkatkan efisiensi operasional WSN. Metode pengujian yang digunakan melibatkan pengujian dalam berbagai kondisi WSN, baik untuk node statis maupun dinamis, di lingkungan dengan dan tanpa hambatan fisik, untuk mengevaluasi kinerja AODV secara menyeluruh. Hasil pengujian menunjukkan tingkat keberhasilan komunikasi antar-node sebesar 86,6%, menandakan potensi signifikan dari integrasi ESP32 dan ESP-NOW dalam implementasi AODV di WSN. Penelitian ini penting karena membantu dalam mengatasi tantangan operasional dalam Wireless Sensor Network (WSN) yang merupakan bagian integral dari IoT, dan kontribusinya terletak pada pengembangan dan implementasi protokol AODV dengan ESP-NOW pada ESP32, yang berpotensi meningkatkan efisiensi dan adaptabilitas WSN, sehingga mendukung perkembangan dan peningkatan aplikasi IoT di masa depan.
Abstract
In the rapidly evolving era of the Internet of Things (IoT), Wireless Sensor Networks (WSN) play a crucial role in connecting devices, facilitating data exchange, and conserving resources. However, WSNs continue to face operational challenges, such as extensive sensor data collection, limited energy operation, and adaptation to changing environmental dynamics. This study examines the implementation of the Ad hoc On-Demand Distance Vector (AODV) protocol in conjunction with ESP-NOW on the ESP32 microcontroller, primarily aiming to enhance the operational efficiency of WSNs. The testing methodology employed involves trials under various WSN conditions, for both static and dynamic nodes, in environments with and without physical obstacles, to comprehensively evaluate the performance of AODV. The results show a successful inter-node communication rate of 86.6%, indicating the significant potential of integrating ESP32 and ESP-NOW in the AODV implementation within WSNs. This research is important as it helps in addressing the operational challenges in Wireless Sensor Networks (WSN), which are an integral part of IoT, and its contribution lies in the development and implementation of the AODV protocol with ESP-NOW on ESP32, which has the potential to enhance the efficiency and adaptability of WSNs, thereby supporting the development and improvement of IoT applications in the future.Di era Internet of Things (IoT) yang semakin berkembang, Wireless Sensor Network (WSN) berperan penting dalam menghubungkan perangkat, memfasilitasi pertukaran data, dan menghemat sumber daya. Namun, WSN masih menghadapi tantangan operasional, seperti pengumpulan data sensor yang luas, operasional dengan energi terbatas, dan adaptasi dengan dinamika lingkungan yang berubah. Penelitian ini mengkaji implementasi protokol Ad hoc On-Demand Distance Vector (AODV) bersama ESP-NOW pada mikrokontroler ESP32, dengan tujuan utama meningkatkan efisiensi operasional WSN. Metode pengujian yang digunakan melibatkan pengujian dalam berbagai kondisi WSN, baik untuk node statis maupun dinamis, di lingkungan dengan dan tanpa hambatan fisik, untuk mengevaluasi kinerja AODV secara menyeluruh. Hasil pengujian menunjukkan tingkat keberhasilan komunikasi antar-node sebesar 86,6%, menandakan potensi signifikan dari integrasi ESP32 dan ESP-NOW dalam implementasi AODV di WSN. Penelitian ini penting karena membantu dalam mengatasi tantangan operasional dalam Wireless Sensor Network (WSN) yang merupakan bagian integral dari IoT, dan kontribusinya terletak pada pengembangan dan implementasi protokol AODV dengan ESP-NOW pada ESP32, yang berpotensi meningkatkan efisiensi dan adaptabilitas WSN, sehingga mendukung perkembangan dan peningkatan aplikasi IoT di masa depan.
Abstract
In the rapidly evolving era of the Internet of Things (IoT), Wireless Sensor Networks (WSN) play a crucial role in connecting devices, facilitating data exchange, and conserving resources. However, WSNs continue to face operational challenges, such as extensive sensor data collection, limited energy operation, and adaptation to changing environmental dynamics. This study examines the implementation of the Ad hoc On-Demand Distance Vector (AODV) protocol in conjunction with ESP-NOW on the ESP32 microcontroller, primarily aiming to enhance the operational efficiency of WSNs. The testing methodology employed involves trials under various WSN conditions, for both static and dynamic nodes, in environments with and without physical obstacles, to comprehensively evaluate the performance of AODV. The results show a successful inter-node communication rate of 86.6%, indicating the significant potential of integrating ESP32 and ESP-NOW in the AODV implementation within WSNs. This research is important as it helps in addressing the operational challenges in Wireless Sensor Networks (WSN), which are an integral part of IoT, and its contribution lies in the development and implementation of the AODV protocol with ESP-NOW on ESP32, which has the potential to enhance the efficiency and adaptability of WSNs, thereby supporting the development and improvement of IoT applications in the future
Deteksi Objek Manusia pada Citra menggunakan Single Shot Detecctor (SSD) Berbasis Edge Ccomputing
Get PDFKeamanan merupakan salah satu aspek penting di kehidupan manusia. Umumnya, keamanan dapat berarti perlindungan dari bahaya fisik dan non fisik seperti kecelakaan, kebakaran, ataupun pencurian. Kemajuan teknologi yang ada dapat dimanfaatkan untuk meningkatkan keamanan, khususnya untuk kasus pencurian. Sistem kamera pengawas seperti CCTV telah terbukti dalam meningkatkan keamanan. Tetapi, CCTV mengharuskan pengawas untuk memantau layar CCTV secara manual 24/7 untuk melihat adanya pergerakan manusia. Pada penelitian ini, dibangun sistem deteksi menggunakan sensor passive infrared (PIR) yang dikontrol oleh ESP32-CAM. Algoritma single shot detector (SSD) digunakan untuk memproses data citra dan edge computing digunakan untuk mendukung waktu proses deteksi sehingga dapat memberikan informasi secara real-time. Proses transmisi data citra pada edge computing menggunakan protokol MQTT. Setiap ESP32-CAM akan menjadi publisher dan edge akan menjadi subscriber. Dataset yang digunakan untuk melatih algoritma SSD berjumlah 1050 data. Seluruh data dibagi menjadi 3 bagian yaitu 735 data latih (70%), 210 data evaluasi (20%), dan 105 (10%) data uji. Data uji pada penelitian ini terdiri dari 3 jenis data, diantaranya 35 data uji siang hari, 35 data uji sore hari, dan 35 data uji malam hari. Algoritma SSD pada penelitian ini menghasilkan ketepatan deteksi 87.51% mAP pada data uji siang hari, 81.39% mAP pada data uji sore hari, dan 76.82% mAP pada data uji malam hari. Proses dari saat sensor HC-SR501 mendeteksi gerakan hingga informasi sampai ke user membutuhkan rata-rata waktu 2,843 detik.Keamanan merupakan salah satu aspek penting di kehidupan manusia. Kemajuan teknologi yang ada dapat dimanfaatkan untuk meningkatkan keamanan, khususnya untuk kasus pencurian. Sistem kamera pengawas seperti CCTV telah terbukti dalam meningkatkan keamanan. Tetapi, CCTV mengharuskan pengawas untuk memantau layar CCTV secara manual 24/7 untuk melihat adanya pergerakan manusia. Pada penelitian ini, dibangun sistem deteksi secara otomatis menggunakan sensor passive infrared (PIR) HC-SR501 yang dikontrol oleh ESP32-CAM. Algoritma single shot detector (SSD) digunakan untuk mendeteksi objek pada citra dan edge computing digunakan untuk mengurangi latency pada proses transimisi data sehingga dapat memberikan informasi secara real-time. Proses transmisi data citra menggunakan protokol MQTT. Setiap ESP32-CAM akan menjadi publisher dan edge akan menjadi subscriber. Data citra yang digunakan berformat jpg dan memiliki resolusi 800x600 pixels. Sebanyak 1050 data digunakan untuk membangun model algoritma SSD. Seluruh data dibagi menjadi 3 bagian yaitu 735 data latih, 210 data evaluasi, dan 105 data uji. Data uji pada penelitian ini terdiri dari 3 jenis data, di antaranya 35 data uji siang hari, 35 data uji sore hari, dan 35 data uji malam hari. Algoritma SSD pada penelitian ini menghasilkan ketepatan deteksi 87.51% mAP pada data uji siang hari, 81.39% mAP pada data uji sore hari, dan 76.82% mAP pada data uji malam hari. Proses dari saat sensor HC-SR501 mendeteksi gerakan hingga informasi sampai ke user membutuhkan rata-rata waktu 2,843 detik.
Abstract
Security is one of the most important aspects of human life. Technological advances can be utilized to improve security, especially in the case of theft. Surveillance camera systems such as CCTV have been proven to improve security. However, CCTV requires the person to monitor the CCTV screen manually 24/7 to see any human movement. In this research, an automatic detection system was built using HC-SR501 passive infrared (PIR) sensor controlled by ESP32-CAM. The single shot detector (SSD) algorithm is used to detect an object on the image and edge computing is used to reduce the latency of the transmission process so that it can achieve real-time information. The transmission process of image data uses the MQTT protocol. Each ESP32-CAM will be the publisher and the edge will be the subscriber. The image data used are in jpg format and have a resolution of 800x600 pixels. A total of 1050 data were used to build the SSD algorithm model. All data is divided into 3 parts, namely 735 training data, 210 evaluation data, and 105 test data. The test data consists of 3 types of images, including 35 daytime images, 35 afternoon images, and 35 nighttime images. The SSD algorithm in this research resulted in 87.51% mAP on daytime images, 81.39% mAP on afternoon images, and 76.82% mAP on nighttime images. The process from the moment HC-SR501 sensor detects movement until the information reaches the user takes an average of 2.843 seconds
Korelasi Fixation Dan Beban Kognitif Pada Pengguna Lansia Dengan Eye-Tracking Pada Aplikasi Komunikasi Dan Media Sosial
Get PDFBerdasarkan observasi terhadap pengguna lansia yang menggunakan aplikasi perangkat bergerak dalam kegiatan sehari-hari dan tantangan yang kerap mereka hadapi, muncul pertanyaan seberapa besar korelasi terkait beban kog-nitif yang mereka alami jika ditinjau dari segi penglihatan. Penelitian ini dilakukan untuk mengidentifikasi kendala yang dihadapi sebagai masukan untuk pengembang dalam merancang sebuah aplikasi perangkat bergerak. Eye-tracking digunakan karena sifatnya yang tidak invasif, sesuai bagi pengguna lansia. Untuk mengukur beban kogni-tif yang dialami, digunakan alat lapor beban kognitif mandiri National Aeronautics and Space Administration Task Load Index (NASA TLX). Setiap dimensi yang relevan, yaitu tuntutan mental, tuntutan temporal, kinerja, usaha, dan frustrasi, dianalisis terpisah dengan variabel fixation (count dan duration) menggunakan uji korelasi Spear-man. Hasil pengujian memperlihatkan adanya korelasi positif antara fixation count dengan tuntutan mental, upaya, dan frustrasi, dengan kekuatan rendah hingga kuat. Selain itu ditemukan korelasi negatif dengan kekuatan rendah antara fixation count dan kinerja dan dua korelasi positif dengan kekuatan sedang terkait fixation duration, yaitu dengan upaya dan frustrasi. Temuan ini menunjukkan tantangan kognitif yang dihadapi oleh lansia yang direpre-sentasikan oleh beberapa dimensi saat menggunakan aplikasi perangkat bergerak yang dilihat melalui media peng-lihatan manusia. Hasil penelitian ini mengedepankan penggunaan media eye-tracking sebagai salah satu indikator tuntutan mental yang mengarahkan pengembangan lebih lanjut antarmuka aplikasi yang berfokus pada interaksi dan usability bagi para lansia. Desain dari task, keahlian dan kebiasaan para lansia, serta desain aplikasi menjadi faktor yang memengaruhi hubungan antar variabel yang diteliti dalam penelitian ini.
Abstract
According to the observations of elderly users who use mobile application for daily activities and the challenges they often face, arising a question to what extent the correlation regarding the cognitive load they experienced from a vision perspective. This study is conducted to discover the obstacles encountered as an insight for develop-ers in designing mobile applications. Eye-tracking was used due to its non-invasive nature, hence suitable. To measure the cognitive load, a self-reportning cognitive load tool, i.e., the National Aeronautics and Space Admi-nistration Task Load Index (NASA TLX), was used. Each relevant dimension, i.e., mental demands, temporal de-mands, performance, effort, and frustration, was individually analyzed with fixation variables (count and duration) using Spearman\u27s correlation test. The result suggested low to strong positive correlations between fixation count and mental demand, effort, and frustration. A low negative correlation between fixation counts and performance, and two, moderate and positive correlations related to fixation duration, i.e., effort and frustration were suggested. The findings suggested visual cognitive challenges of mobile applications of elderlies. The findings also highlight how eye-tracking is used as an indicator for mental demand that directs further development of user interface that focus on interaction and usability for elderly. Task designs, skills and habits of elderlies, and application designs were suggested to affect the correlation of variables investigated in this study.
Berdasarkan observasi terhadap pengguna lansia yang menggunakan aplikasi perangkat bergerak dalam kegiatan sehari-hari dan tantangan yang kerap mereka hadapi, muncul pertanyaan seberapa besar korelasi terkait beban kog-nitif yang mereka alami jika ditinjau dari segi penglihatan. Penelitian ini dilakukan untuk mengidentifikasi kendala yang dihadapi sebagai masukan untuk pengembang dalam merancang sebuah aplikasi perangkat bergerak. Eye-tracking digunakan karena sifatnya yang tidak invasif, sesuai bagi pengguna lansia. Untuk mengukur beban kogni-tif yang dialami, digunakan alat lapor beban kognitif mandiri National Aeronautics and Space Administration Task Load Index (NASA TLX). Setiap dimensi yang relevan, yaitu tuntutan mental, tuntutan temporal, kinerja, usaha, dan frustrasi, dianalisis terpisah dengan variabel fixation (count dan duration) menggunakan uji korelasi Spear-man. Hasil pengujian memperlihatkan adanya korelasi positif antara fixation count dengan tuntutan mental, upaya, dan frustrasi, dengan kekuatan rendah hingga kuat. Selain itu ditemukan korelasi negatif dengan kekuatan rendah antara fixation count dan kinerja dan dua korelasi positif dengan kekuatan sedang terkait fixation duration, yaitu dengan upaya dan frustrasi. Temuan ini menunjukkan tantangan kognitif yang dihadapi oleh lansia yang direpre-sentasikan oleh beberapa dimensi saat menggunakan aplikasi perangkat bergerak yang dilihat melalui media peng-lihatan manusia. Hasil penelitian ini mengedepankan penggunaan media eye-tracking sebagai salah satu indikator tuntutan mental yang mengarahkan pengembangan lebih lanjut antarmuka aplikasi yang berfokus pada interaksi dan usability bagi para lansia. Desain dari task, keahlian dan kebiasaan para lansia, serta desain aplikasi menjadi faktor yang memengaruhi hubungan antar variabel yang diteliti dalam penelitian ini.
Abstract
According to the observations of elderly users who use mobile application for daily activities and the challenges they often face, arising a question to what extent the correlation regarding the cognitive load they experienced from a vision perspective. This study is conducted to discover the obstacles encountered as an insight for develop-ers in designing mobile applications. Eye-tracking was used due to its non-invasive nature, hence suitable. To measure the cognitive load, a self-reportning cognitive load tool, i.e., the National Aeronautics and Space Admi-nistration Task Load Index (NASA TLX), was used. Each relevant dimension, i.e., mental demands, temporal de-mands, performance, effort, and frustration, was individually analyzed with fixation variables (count and duration) using Spearman\u27s correlation test. The result suggested low to strong positive correlations between fixation count and mental demand, effort, and frustration. A low negative correlation between fixation counts and performance, and two, moderate and positive correlations related to fixation duration, i.e., effort and frustration were suggested. The findings suggested visual cognitive challenges of mobile applications of elderlies. The findings also highlight how eye-tracking is used as an indicator for mental demand that directs further development of user interface that focus on interaction and usability for elderly. Task designs, skills and habits of elderlies, and application designs were suggested to affect the correlation of variables investigated in this study.
Perbandingan Kerja Binomial GLMM Tree dan BIMM Forest untuk Memodelkan Status Bekerja Penduduk
Get PDFModel prediksi berbasis pada pohon keputusan saat ini banyak dikembangkan di berbagai bidang. Pengembangan metode yang dilakukan diantaranya memasukkan pengaruh acak ke dalam model. Generalized linier mixed model (GLMM) Tree menjadi salah satu model yang dapat mengakomodasi adanya pengaruh acak dan dilakukan dengan metode partisi rekursif hanya saja waktu komputasi yang dibutuhkan relatif lebih lama. Selanjutnya metode alternatif lainnya adalah Binary Mixed Model (BiMM) Forest yang menggabungkan prinsip kerja Bayesian GLMM dan Random Forest. Dari kedua metode yang akan digunakan maka permasalahan yang dihadapi adalah bagaimana kinerja dari metode GLMM Tree dan BiMM Forest jika diterapkan untuk klasifikasi status bekerja penduduk di Kabupaten Bogor dan Kabupaten Pangandaran. Dari hasil analisis tampak bahwa metode BiMM Forest memiliki kinerja yang lebih baik di bandingkan dengan GLMM Tree untuk kedua daerah. Selain itu ditunjukkan pula bahwa peubah yang penting dalam proses klasifikasi status bekerja penduduk di Kabupaten Bogor dan Kabupaten Pangandaran adalah peubah terkait aspek pendidikan, sosial, dan ekonomi.Model prediksi berbasis pada pohon keputusan saat ini banyak dikembangkan di berbagai bidang. Pengembangan metode yang dilakukan diantaranya memasukkan pengaruh acak ke dalam model. Generalized linier mixed model (GLMM) Tree menjadi salah satu model yang dapat mengakomodasi adanya pengaruh acak dan dilakukan dengan metode partisi rekursif hanya saja waktu komputasi yang dibutuhkan relatif lebih lama. Selanjutnya metode alternatif lainnya adalah Binary Mixed Model (BiMM) Forest yang menggabungkan prinsip kerja Bayesian GLMM dan Random Forest. Dari kedua metode yang akan digunakan maka permasalahan yang dihadapi adalah bagaimana kinerja dari metode GLMM Tree dan BiMM Forest jika diterapkan untuk klasifikasi status bekerja penduduk di Kabupaten Bogor dan Kabupaten Pangandaran. Dari hasil analisis tampak bahwa metode BiMM Forest memiliki kinerja yang lebih baik di bandingkan dengan GLMM Tree untuk kedua daerah. Selain itu ditunjukkan pula bahwa peubah yang penting dalam proses klasifikasi status bekerja penduduk di Kabupaten Bogor dan Kabupaten Pangandaran adalah peubah terkait aspek pendidikan, sosial, dan ekonomi
Model Classifer Judul Berita Pariwisata Indonesia Berdasarkan Sentimen
Get PDFKemajuan teknologi dan platform digital telah menyebabkan perubahan penting dalam industri pariwisata, termasuk penyebaran berita pariwisata. Artikel-artikel berita yang kerap dipublikasikan melalui portal media online dapat berdampak besar pada persepsi positif maupun negatif bagi pembaca. Oleh sebab itu, penelitian ini bertujuan untuk mengembangkan sebuah classifier yang mampu melakukan klasifikasi terhadap judul berita pariwisata berdasarkan sentimen. Sebelumnya, penelitian serupa biasanya lebih berfokus pada klasifikasi berita pariwisata Indonesia dengan menggunakan data dari platform Twitter. Namun, dalam penelitian ini, penulis melakukan pendekatan yang berbeda dengan menggunakan data dari portal berita online, dengan hanya mengambil judul berita sebagai sumber datanya. Penelitian berfokus pada analisis dan klasifikasi sentimen atau sikap emosional yang terkandung dalam judul-judul berita pariwisata. Dalam penelitian ini, digunakan metode machine learning Support Vector Machine (SVM). Data dikumpulkan dari situs berita Detik.com dan diberi label secara manual sesuai dengan sentimen yang terkandung dalamnya. Proses preprocessing teks digunakan untuk mempersiapkan data judul berita pariwisata Indonesia sehingga fiturnya dapat diekstraksi dengan pendekatan Binary Term Presence. Data penelitian dibagi menjadi dua bagian, yaitu 90% untuk proses pelatihan (training proses) dan 10% untuk pengujian, menerapkan teknik K-Fold Cross Validation untuk membagi data dalam proses pelatihan. Hasil penelitian menunjukkan bahwa pendekatan Binary Term Presence berhasil mencapai akurasi sebesar 87,80% dengan kernel RBF. Penelitian ini memberikan kontribusi penting dalam memahami respon publik terhadap topik atau isu pariwisata yang dipublikasikan oleh media. Metode dan pendekatan yang dikembangkan diharapkan dapat menjadi panduan dalam menganalisis sentimen terkini terkait industri pariwisata dan berita yang terkait dengannya.Kemajuan teknologi dan platform digital telah menyebabkan perubahan penting dalam industri pariwisata, termasuk penyebaran berita pariwisata. Artikel-artikel berita yang kerap dipublikasikan melalui portal media online dapat berdampak besar pada persepsi positif maupun negatif bagi pembaca. Oleh sebab itu, penelitian ini bertujuan untuk mengembangkan sebuah classifier yang mampu melakukan klasifikasi terhadap judul berita pariwisata berdasarkan sentimen. Sebelumnya, penelitian serupa biasanya lebih berfokus pada klasifikasi berita pariwisata Indonesia dengan menggunakan data dari platform Twitter. Namun, dalam penelitian ini, penulis melakukan pendekatan yang berbeda dengan menggunakan data dari portal berita online, dengan hanya mengambil judul berita sebagai sumber datanya. Penelitian berfokus pada analisis dan klasifikasi sentimen atau sikap emosional yang terkandung dalam judul-judul berita pariwisata. Dalam penelitian ini, digunakan metode machine learning Support Vector Machine (SVM). Data dikumpulkan dari situs berita Detik.com dan diberi label secara manual sesuai dengan sentimen yang terkandung dalamnya. Proses preprocessing teks digunakan untuk mempersiapkan data judul berita pariwisata Indonesia sehingga fiturnya dapat diekstraksi dengan pendekatan Binary Term Presence. Data penelitian dibagi menjadi dua bagian, yaitu 90% untuk proses pelatihan (training proses) dan 10% untuk pengujian, menerapkan teknik K-Fold Cross Validation untuk membagi data dalam proses pelatihan. Hasil penelitian menunjukkan bahwa pendekatan Binary Term Presence berhasil mencapai akurasi sebesar 87,80% dengan kernel RBF. Penelitian ini memberikan kontribusi penting dalam memahami respon publik terhadap topik atau isu pariwisata yang dipublikasikan oleh media. Metode dan pendekatan yang dikembangkan diharapkan dapat menjadi panduan dalam menganalisis sentimen terkini terkait industri pariwisata dan berita yang terkait dengannya
Deteksi Transaksi Fraud Kartu Kredit Menggunakan Oversampling ADASYN dan Seleksi Fitur SVM-RFECV
Get PDFPerkembangan kejahatan transaksi fraud kartu kredit memberikan dampak kerugian finansial bagi pemegang kartu. Pengembangan model deteksi transaksi fraud menggunakan machine learning telah dilakukan, namun memiliki beberapa tantangan meliputi ketidakseimbangan data serta dimensi dataset yang besar. Penelitian ini mengusulkan pendekatan pengembangan dengan seleksi fitur menggunakan SVM-RFECV dan metode oversampling dengan ADASYN. Pendekatan ini diharapkan mampu mengatasi permasalahan dimensi data serta ketidakseimbangan data yang terjadi. Seleksi fitur dengan SVM-RFECV menghasilkan variabel optimal pada rasio data latih 70% sejumlah 390 variabel, rasio data latih 80% sejumlah 400 variabel dan rasio data latih 90% sejumlah 390 variabel. Metode ADASYN telah memperbaiki ketidakseimbangan data dengan menghasilkan data sintetis berdasarkan rasio oversampling meliputi 100%, 50% dan 25%. Model yang menggunakan data hasil oversampling mengalami peningkatan kinerja AUC dan recall. Kinerja AUC tertinggi dihasilkan sejumlah 88,08% pada data latih 70%, oversampling 100% dan algoritma LGBM. Sedangkan, kinerja recall tertinggi sejumlah 83,08% dihasilkan saat menggunakan data latih 70%, oversampling 100% dengan algoritma AdaBoost. Berdasarkan pembahasan ini, maka dapat disimpulkan bahwa penggunaan oversampling dengan ADASYN dan seleksi fitur SVM-RFECV dapat dipertimbangkan untuk meningkatkan kinerja AUC dan recall.Perkembangan kejahatan transaksi fraud kartu kredit memberikan dampak kerugian finansial bagi pemegang kartu. Pengembangan model deteksi transaksi fraud menggunakan machine learning telah dilakukan, namun memiliki beberapa tantangan meliputi ketidakseimbangan data serta dimensi dataset yang besar. Penelitian ini mengusulkan pendekatan pengembangan dengan seleksi fitur menggunakan SVM-RFECV dan metode oversampling dengan ADASYN. Pendekatan ini diharapkan mampu mengatasi permasalahan dimensi data serta ketidakseimbangan data yang terjadi. Seleksi fitur dengan SVM-RFECV menghasilkan variabel optimal pada rasio data latih 70% sejumlah 390 variabel, rasio data latih 80% sejumlah 400 variabel dan rasio data latih 90% sejumlah 390 variabel. Metode ADASYN telah memperbaiki ketidakseimbangan data dengan menghasilkan data sintetis berdasarkan rasio oversampling meliputi 100%, 50% dan 25%. Model yang menggunakan data hasil oversampling mengalami peningkatan kinerja AUC dan recall. Kinerja AUC tertinggi dihasilkan sejumlah 88,08% pada data latih 70%, oversampling 100% dan algoritma LGBM. Sedangkan, kinerja recall tertinggi sejumlah 83,08% dihasilkan saat menggunakan data latih 70%, oversampling 100% dengan algoritma AdaBoost. Berdasarkan pembahasan ini, maka dapat disimpulkan bahwa penggunaan oversampling dengan ADASYN dan seleksi fitur SVM-RFECV dapat dipertimbangkan untuk meningkatkan kinerja AUC dan recall