Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Analisis Sentimen Ulasan Rumah Makan Menggunakan Perbandingan Algoritma Support Vector Machine dengan Naive bayes (Studi Kasus: Ayam Goreng Nelongso Cabang Singosari, Malang)
Get PDFPeningkatan kualitas produk dan pelayanan merupakan tantangan yang dihadapi oleh bisnis kuliner, termasuk rumah makan Ayam Goreng Nelongso Singosari di Kabupaten Malang. Analisis sentimen digunakan untuk mengidentifikasi ulasan pelanggan terkait pelayanan, kualitas produk, harga, dan kepuasan pelanggan. Penelitian ini membandingkan metode Support Vector Machine (SVM), metode Naïve Bayes Classifier (NBC), dan Root Cause Analysis untuk mengklasifikasikan sentimen ulasan pelanggan dan menganalisis masalah yang mendasarinya. Tujuan penelitian ini adalah membandingkan hasil dari algoritma Support Vector Machine dan Naïve Bayes Classifier dalam pengklasifikasian sentimen ulasan pelanggan rumah makan Ayam Goreng Nelongso. Penelitian ini juga bertujuan untuk menghasilkan rekomendasi berdasarkan analisis root cause pada sentimen negatif ulasan pelanggan. Implementasi kedua algoritma klasifikasi menunjukkan performa yang baik dalam mengklasifikasikan data dengan akurasi tinggi. Pengujian menunjukkan bahwa kinerja SVM lebih unggul dengan tingkat akurasi mencapai 92,74%, sementara NBC mencapai tingkat akurasi sebesar 91,67%. Hasil analisis root cause menunjukkan beberapa rekomendasi untuk meningkatkan aspek harga, makanan, layanan, dan tempat rumah makan. Rekomendasi yang dapat dilakukan oleh pihak rumah makan diantaranya adalah evaluasi ukuran dan harga, penggunaan deep frying, pelatihan dan evaluasi pelayanan, serta penambahan tenaga kerja atau kerjasama dengan outsourcing dalam menjaga kebersihan tempat. Hasil penelitian diharapkan dapat membantu pemilik rumah makan dalam mengembangkan kualitas produk dan pelayanan serta memberikan pandangan untuk langkahlangkah yang dapat diambil di kemudian hari. Peningkatan kualitas produk dan pelayanan merupakan tantangan yang dihadapi oleh bisnis kuliner, termasuk rumah makan Ayam Goreng Nelongso Singosari di Kabupaten Malang. Analisis sentimen digunakan untuk mengidentifikasi ulasan pelanggan terkait pelayanan, kualitas produk, harga, dan kepuasan pelanggan. Penelitian ini membandingkan metode Support Vector Machine (SVM), metode Naïve Bayes Classifier (NBC), dan Root Cause Analysis untuk mengklasifikasikan sentimen ulasan pelanggan dan menganalisis masalah yang mendasarinya. Tujuan penelitian ini adalah membandingkan hasil dari algoritma Support Vector Machine dan Naïve Bayes Classifier dalam pengklasifikasian sentimen ulasan pelanggan rumah makan Ayam Goreng Nelongso. Penelitian ini juga bertujuan untuk menghasilkan rekomendasi berdasarkan analisis root cause pada sentimen negatif ulasan pelanggan. Implementasi kedua algoritma klasifikasi menunjukkan performa yang baik dalam mengklasifikasikan data dengan akurasi tinggi. Pengujian menunjukkan bahwa kinerja SVM lebih unggul dengan tingkat akurasi mencapai 92,74%, sementara NBC mencapai tingkat akurasi sebesar 91,67%. Hasil analisis root cause menunjukkan beberapa rekomendasi untuk meningkatkan aspek harga, makanan, layanan, dan tempat rumah makan. Rekomendasi yang dapat dilakukan oleh pihak rumah makan diantaranya adalah evaluasi ukuran dan harga, penggunaan deep frying, pelatihan dan evaluasi pelayanan, serta penambahan tenaga kerja atau kerjasama dengan outsourcing dalam menjaga kebersihan tempat. Hasil penelitian diharapkan dapat membantu pemilik rumah makan dalam mengembangkan kualitas produk dan pelayanan serta memberikan pandangan untuk langkahlangkah yang dapat diambil di kemudian hari.
Sistem Rekomendasi Pemilihan Pengepul Limbah di PT. Pituku Cordova International Menggunakan Algoritma Haversine
Get PDFSeiring dengan semakin banyaknya mitra serta volume pesanan pada platformPituku menjadikan pihak perusahaan kesulitan dalam menentukan pengepul limbah yang cocok untuk menangani suatu pesanan. Idealnya, pengepul yang dipilih merupakan pengepul yang terletak paling dekat secara geografis dengan pemesan limbah sehingga biaya pengiriman dapat di minimalkan dan pemesan dapat segera menerima limbah pesananannya. Oleh karena itu dibutuhkan suatu sistem rekomendasi yang dapat merekomendasikan daftar pengepul limbah yang diurutkan dari yang paling dekat ke pembeli limbah. Penelitian ini bertujuan untuk membuat sistem rekomendasi pemilihan pengepul limbah di PT. Pituku Cordova International yang dapat membantu merekomendasikan daftar pengepul limbah yang diurutkan dari yang paling dekat dengan pembeli limbah sehingga proses pemilihan pengepul limbah menjadi lebih efektif. Penelitian ini menggunakan metode Rapid Throwaway Prototyping Modelyang dimana tahapan yang dilakukan meliputi outline requirements, develop protoype, evaluate prototype, specify system, develop software, dan validate system. Algoritma Haversine formuladigunakan dalam sistem rekomendasi dimana koordinat garis lintang dan garis bujur dihitung untuk mendapatkan jarak antara pembeli dan pengepul limbah dalam satuan km kemudian berdasarkan jarak tersebut daftar pengepul limbah diurutkan dari yang paling dekat ke yang paling jauh. Metrik evaluasi menggunakan NDCG (Normalized Discounted Cumulative Gain) yangmengukur akurasi rangkingsistem rekomendasi. Berdasarkan hasil evaluasidiperoleh informasi bahwasistem rekomendasi memiliki score NDCG rata-rata sebesar 1 yang artinya sistem rekomendasi memberikan item rekomendasi dengan rangkingyang diharapkanSeiring dengan semakin banyaknya mitra serta volume pesanan pada platform Pituku menjadikan pihak perusahaan kesulitan dalam menentukan pengepul limbah yang cocok untuk menangani suatu pesanan. Idealnya, pengepul yang dipilih merupakan pengepul yang terletak paling dekat secara geografis dengan pemesan limbah sehingga biaya pengiriman dapat di minimalkan dan pemesan dapat segera menerima limbah pesananannya. Oleh karena itu dibutuhkan suatu sistem rekomendasi yang dapat merekomendasikan daftar pengepul limbah yang diurutkan dari yang paling dekat ke pembeli limbah. Penelitian ini bertujuan untuk membuat sistem rekomendasi pemilihan pengepul limbah di PT. Pituku Cordova International yang dapat membantu merekomendasikan daftar pengepul limbah yang diurutkan dari yang paling dekat dengan pembeli limbah sehingga proses pemilihan pengepul limbah menjadi lebih efektif. Penelitian ini menggunakan metode Rapid Throwaway Prototyping Model yang dimana tahapan yang dilakukan meliputi outline requirements, develop protoype, evaluate prototype, specify system, develop software, dan validate system. Algoritma Haversine formula digunakan dalam sistem rekomendasi dimana koordinat garis lintang dan garis bujur dihitung untuk mendapatkan jarak antara pembeli dan pengepul limbah dalam satuan km kemudian berdasarkan jarak tersebut daftar pengepul limbah diurutkan dari yang paling dekat ke yang paling jauh. Metrik evaluasi menggunakan NDCG (Normalized Discounted Cumulative Gain) yang mengukur akurasi rangking sistem rekomendasi. Berdasarkan hasil evaluasi diperoleh informasi bahwa sistem rekomendasi memiliki score NDCG rata-rata sebesar 1 yang artinya sistem rekomendasi memberikan item rekomendasi dengan rangking yang diharapkan
Analisis Interaksi Aktivitas Pembelajaran Daring Berdasarkan Data Log Aktivitas pada Learning Managemefnt System (LMS) Menggunakan Educational Process Mining
Get PDFPerpaduan perkembangan teknologi di bidang pendidikan telah mengembangkan suatu inovasi yang disebut LMS (Learning Management System) yang dapat diakses dari mana saja dan kapan saja tanpa harus melakukan pertemuan secara fisik di kelas. Kegiatan interaksi pada LMS memiliki event log yang dapat diekstraksi untuk mengidentifikasi analisis menggunakan Educational Process Mining (EPM). Kami mengekstrak event log dari ELING, platform LMS yang disediakan oleh fakultas kami. Selanjutnya, kami melakukan Process Mining menggunakan metode Heuristic Miner dari tiga dosen kelas mata kuliah Data Warehouse yang berbeda. Analisis yang dilakukan yaitu melihat gambaran kegiatan pembelajaran yang diberikan oleh masing-masing dosen dan pendekatannya dalam mengarahkan mahasiswa untuk berinteraksi dengan modul materi pada ELING apakah sesuai urutan dalam Rencana Pembelajaran Semester (RPS). Kami memvariasikan dependency threshold untuk mengidentifikasi modul pembelajaran mana yang memiliki tingkat ketergantungan yang lebih tinggi antar event yang menjadi inti pembelajaran mata kuliah tersebut. Pada dependency threshold 0,6, jumlah kegiatan dari model yang ditemukan untuk semua dosen adalah 21. Sementara pada threshold 0,8, jumlah kegiatan bervariasi antara 12 dan 20. Dengan variasi dependency threshold ini juga akan mengidentifikasi modul mana yang tetap muncul yang berhubungan dengan bentuk model aktivitas pembelajaran dan apakah model yang dihasilkan sesuai dengan urutan RPS.
Abstract
The combination of technological developments in the field of education has developed an innovation called LMS (Learning Management System) that can be accessed from anywhere and anytime without having to conduct physical meetings in class. Interaction activities in the LMS have event logs that can be extracted to identify analysis using Educational Process Mining (EPM). We extract event logs from ELING, an LMS platform provided by our faculty. Next, we conducted Process Mining using the Heuristic Miner method from three different Data Warehouse course class lecturers. The analysis carried out is to see an overview of the learning activities provided by each lecturer and their approach in directing students to interact with the material modules on ELING whether in the order in the Semester Learning Plan (RPS). We vary the dependency threshold to identify which learning modules have a higher level of dependency between events that are at the core of the course\u27s learning. At a dependency threshold of 0.6, the number of activities from the model found for all lecturers was 21. While at the threshold of 0.8, the number of activities varies between 12 and 20. With dependency threshold variations, it will also identify which modules still appear that relate to the shape of the learning activity model and whether the resulting model matches the RPS sequence.Perpaduan perkembangan teknologi di bidang pendidikan telah mengembangkan suatu inovasi yang disebut LMS (Learning Management System) yang dapat diakses dari mana saja dan kapan saja tanpa harus melakukan pertemuan secara fisik di kelas. Kegiatan interaksi pada LMS memiliki event log yang dapat diekstraksi untuk mengidentifikasi analisis menggunakan Educational Process Mining (EPM). Kami mengekstrak event log dari ELING, platform LMS yang disediakan oleh fakultas kami. Selanjutnya, kami melakukan Process Mining menggunakan metode Heuristic Miner dari tiga dosen kelas mata kuliah Data Warehouse yang berbeda. Analisis yang dilakukan yaitu melihat gambaran kegiatan pembelajaran yang diberikan oleh masing-masing dosen dan pendekatannya dalam mengarahkan mahasiswa untuk berinteraksi dengan modul materi pada ELING apakah sesuai urutan dalam Rencana Pembelajaran Semester (RPS). Kami memvariasikan dependency threshold untuk mengidentifikasi modul pembelajaran mana yang memiliki tingkat ketergantungan yang lebih tinggi antar event yang menjadi inti pembelajaran mata kuliah tersebut. Pada dependency threshold 0,6, jumlah kegiatan dari model yang ditemukan untuk semua dosen adalah 21. Sementara pada threshold 0,8, jumlah kegiatan bervariasi antara 12 dan 20. Dengan variasi dependency threshold ini juga akan mengidentifikasi modul mana yang tetap muncul yang berhubungan dengan bentuk model aktivitas pembelajaran dan apakah model yang dihasilkan sesuai dengan urutan RPS.
Abstract
The combination of technological developments in the field of education has developed an innovation called LMS (Learning Management System) that can be accessed from anywhere and anytime without having to conduct physical meetings in class. Interaction activities in the LMS have event logs that can be extracted to identify analysis using Educational Process Mining (EPM). We extract event logs from ELING, an LMS platform provided by our faculty. Next, we conducted Process Mining using the Heuristic Miner method from three different Data Warehouse course class lecturers. The analysis carried out is to see an overview of the learning activities provided by each lecturer and their approach in directing students to interact with the material modules on ELING whether in the order in the Semester Learning Plan (RPS). We vary the dependency threshold to identify which learning modules have a higher level of dependency between events that are at the core of the course\u27s learning. At a dependency threshold of 0.6, the number of activities from the model found for all lecturers was 21. While at the threshold of 0.8, the number of activities varies between 12 and 20. With dependency threshold variations, it will also identify which modules still appear that relate to the shape of the learning activity model and whether the resulting model matches the RPS sequence
Klasifikasi Intensi dengan Metode Ling Short-Term Memory pada Chatbot Bahasa Indonesia
Get PDFE-government merupakan sebuah konsep pemerintahan yang menyelenggarakan layanan publik secara digital yang didukung oleh teknologi informasi, sehingga menjadi lebih prima. Salah satu bentuk layanan publik digital yang umum ada di berbagai sektor adalah helpdesk. Helpdesk memungkinkan pengguna dapat bertanya atau melaporkan sesuatu untuk kemudian dijawab oleh staf. Permasalahan yang ada adalah ketersediaan staf yang hanya dapat menjawab pada jam kerja, sedangkan pengguna bisa jadi menemukan permasalahan yang urgent di luar jam kerja. Oleh karena itu, solusi yang ditawarkan adalah penerapan chatbot, sehingga dapat melayani kapan pun, sekaligus meringankan kerja dari staf. Penelitian ini mencoba untuk merancang salah satu komponen pada chatbot, yaitu model klasifikasi intensi, dengan metode Long Short-Term Memory. Data yang digunakan merupakan 501 teks riwayat pertanyaan dari database Helpdesk TIK UB yang termasuk ke dalam 7 kelas intensi yang ditentukan. Data akan melalui beberapa tahap prapemrosesan sebelum kemudian dilakukan pemodelan dan beberapa pengujian. Tahap pengujian meliputi pemilihan embedding yang digunakan, pemilihan teknik augmentasi data, dan penyetelan hyperparameter. Hasil dari keseluruhan pengujian, didapatkan model terbaik yang mampu menghasilkan akurasi sempurna untuk data latih dan data uji, serta loss 0,004 untuk data latih dan 0,044 untuk data uji.
Abstract
E-government is a government concept that organizes digital public services supported by information technology, so that they become more excellent. One form of digital public service that is common in various sectors is the helpdesk. Helpdesk allows users to ask questions or report something to be answered by staff. The problem that exists is the availability of staff who can only answer during working hours, while users may find urgent problems outside of working hours. Therefore, the solution offered is the implementation of a chatbot, so that it can serve at any time, while easing the work of staff. This study attempts to design one of the components of the chatbot, namely the intention classification model, using the Long Short-Term Memory method. The data used are 501 question history texts from the Helpdesk TIK UB database which fall into the 7 specified intensity classes. The data will go through several pre-processing stages before then being modeled and tested. The testing phase includes selecting the embedding used, data augmentation techniques selection, and hyperparameter tuning. The best model is obtained which can produce perfect accuracy for training data and test data, as well as a loss of 0.004 for training data and 0.044 for test data.E-government merupakan sebuah konsep pemerintahan yang menyelenggarakan layanan publik secara digital yang didukung oleh teknologi informasi, sehingga menjadi lebih prima. Salah satu bentuk layanan publik digital yang umum ada di berbagai sektor adalah helpdesk. Helpdesk memungkinkan pengguna dapat bertanya atau melaporkan sesuatu untuk kemudian dijawab oleh staf. Permasalahan yang ada adalah ketersediaan staf yang hanya dapat menjawab pada jam kerja, sedangkan pengguna bisa jadi menemukan permasalahan yang urgent di luar jam kerja. Oleh karena itu, solusi yang ditawarkan adalah penerapan chatbot, sehingga dapat melayani kapan pun, sekaligus meringankan kerja dari staf. Penelitian ini mencoba untuk merancang salah satu komponen pada chatbot, yaitu model klasifikasi intensi, dengan metode Long Short-Term Memory. Data yang digunakan merupakan 501 teks riwayat pertanyaan dari database Helpdesk TIK UB yang termasuk ke dalam 7 kelas intensi yang ditentukan. Data akan melalui beberapa tahap prapemrosesan sebelum kemudian dilakukan pemodelan dan beberapa pengujian. Tahap pengujian meliputi pemilihan embedding yang digunakan, pemilihan teknik augmentasi data, dan penyetelan hyperparameter. Hasil dari keseluruhan pengujian, didapatkan model terbaik yang mampu menghasilkan akurasi sempurna untuk data latih dan data uji, serta loss 0,004 untuk data latih dan 0,044 untuk data uji.
Abstract
E-government is a government concept that organizes digital public services supported by information technology, so that they become more excellent. One form of digital public service that is common in various sectors is the helpdesk. Helpdesk allows users to ask questions or report something to be answered by staff. The problem that exists is the availability of staff who can only answer during working hours, while users may find urgent problems outside of working hours. Therefore, the solution offered is the implementation of a chatbot, so that it can serve at any time, while easing the work of staff. This study attempts to design one of the components of the chatbot, namely the intention classification model, using the Long Short-Term Memory method. The data used are 501 question history texts from the Helpdesk TIK UB database which fall into the 7 specified intensity classes. The data will go through several pre-processing stages before then being modeled and tested. The testing phase includes selecting the embedding used, data augmentation techniques selection, and hyperparameter tuning. The best model is obtained which can produce perfect accuracy for training data and test data, as well as a loss of 0.004 for training data and 0.044 for test data
Klasifikasi Tingkat Stress dari Data Berbentuk Teks dengan Menggunakan Algoritma Support Vector Machine (SVM) dan Random Forest
Get PDFStres merupakan keadaan dimana seseorang merasakan adanya tekanan yang berlebih pada dirinya. Pemantauan tingkat stres menjadi hal yang penting bagi manusia. Tingkat stres yang tinggi dapat menimbulkan dampak negatif terhadap kesehatan manusia. Deteksi dini stres menjadi sesuatu yang sangat penting untuk dilakukan. Salah satu cara mengetahui tingkat stres seseorang adalah melalui analisis teks. Penelitian ini dilakukan untuk melakukan klasifikasi tingkat stres berdasarkan data berupa teks menggunakan algoritma Support Vector Machine (SVM) dan Random Forest. Pada penelitian ini melakukan perbandingan beberapa metode transformasi. Transformasi yang dilakukan pada penelitian ini menggunakan TF-IDF, CountVectorizer, NRCLex, dan Word Affect Intensities. Data yang digunakan dalam penelitian ini berupa sebuat teks berbahasa Inggris yang diambil dari media sosial Twitter. Total data yang digunakan yaitu 8439 data. Pelatihan model baik untuk Support Vector Machine dan Random Forest menggunakan 6751 data. Sedangkan untuk pengujian menggunakan 1688 data. Hasil penelitian menunjukkan bahwa algoritma SVM dengan pembobotan menggunakan TF-IDF memiliki performa yang paling baik dibandingkan dengan algoritma Random Forest dan metode transformasi lainnya yang digunakan dalam penelitian. Model algoritma SVM dengan transformasi TF-IDF yang dibangun berhasil mendapatkan akurasi sebesar 84%. Model ini mendapatkan akurasi yang lebih tinggi dibanding model Random Forest yang memperoleh akurasi tinggi sebesar 80% dengan menggunakan transformasi CountVectorizer.
Abstract
Stress is a condition where a person feels excessive pressure on himself. Monitoring stress levels is important for humans. High levels of stress can have a negative impact on human health. Early detection of stress is something that is very important to do. One way to find out someone\u27s stress level is through text analysis.This research was conducted to classify stress levels based on text data using the Support Vector Machine (SVM) and Random Forest algorithms. This research compares several transformation methods. The transformation performed in this study uses TF-IDF, CountVectorizer, NRCLex, and Word Affect Intensities. The data used in this research is an English text taken from Twitter social media. The total data used is 8439 data. Model training for both Support Vector Machine and Random Forest uses 6751 data. While for testing using 1688 data. The results showed that the SVM algorithm with weighting using TF-IDF had the best performance compared to the Random Forest algorithm and other transformation methods used in the study. The SVM algorithm model with TF-IDF transformation that was built managed to get an accuracy of 84%. This model obtained a higher accuracy than the Random Forest model which obtained a high accuracy of 80% using the CountVectorizer transformation.Stres merupakan keadaan dimana seseorang merasakan adanya tekanan yang berlebih pada dirinya. Pemantauan tingkat stres menjadi hal yang penting bagi manusia. Tingkat stres yang tinggi dapat menimbulkan dampak negatif terhadap kesehatan manusia. Deteksi dini stres menjadi sesuatu yang sangat penting untuk dilakukan. Salah satu cara mengetahui tingkat stres seseorang adalah melalui analisis teks. Penelitian ini dilakukan untuk melakukan klasifikasi tingkat stres berdasarkan data berupa teks menggunakan algoritma Support Vector Machine (SVM) dan Random Forest. Pada penelitian ini melakukan perbandingan beberapa metode transformasi. Transformasi yang dilakukan pada penelitian ini menggunakan TF-IDF, CountVectorizer, NRCLex, dan Word Affect Intensities. Data yang digunakan dalam penelitian ini berupa sebuat teks berbahasa Inggris yang diambil dari media sosial Twitter. Total data yang digunakan yaitu 8439 data. Pelatihan model baik untuk Support Vector Machine dan Random Forest menggunakan 6751 data. Sedangkan untuk pengujian menggunakan 1688 data. Hasil penelitian menunjukkan bahwa algoritma SVM dengan pembobotan menggunakan TF-IDF memiliki performa yang paling baik dibandingkan dengan algoritma Random Forest dan metode transformasi lainnya yang digunakan dalam penelitian. Model algoritma SVM dengan transformasi TF-IDF yang dibangun berhasil mendapatkan akurasi sebesar 84%. Model ini mendapatkan akurasi yang lebih tinggi dibanding model Random Forest yang memperoleh akurasi tinggi sebesar 80% dengan menggunakan transformasi CountVectorizer.
Abstract
Stress is a condition where a person feels excessive pressure on himself. Monitoring stress levels is important for humans. High levels of stress can have a negative impact on human health. Early detection of stress is something that is very important to do. One way to find out someone\u27s stress level is through text analysis.This research was conducted to classify stress levels based on text data using the Support Vector Machine (SVM) and Random Forest algorithms. This research compares several transformation methods. The transformation performed in this study uses TF-IDF, CountVectorizer, NRCLex, and Word Affect Intensities. The data used in this research is an English text taken from Twitter social media. The total data used is 8439 data. Model training for both Support Vector Machine and Random Forest uses 6751 data. While for testing using 1688 data. The results showed that the SVM algorithm with weighting using TF-IDF had the best performance compared to the Random Forest algorithm and other transformation methods used in the study. The SVM algorithm model with TF-IDF transformation that was built managed to get an accuracy of 84%. This model obtained a higher accuracy than the Random Forest model which obtained a high accuracy of 80% using the CountVectorizer transformation
Deteksi Land Surface Temperature Menggunakan Citra Landsat: Studi Kasus Kota Jababeka dan Sekitarnya
Get PDFLand Surface Temperature (LST) merupakan salah satu parameter yang dapat digunakan untuk melihat dampak perubahan iklim dan lingkungan akibat perubahan tutupan dan alih fungsi lahan. Studi kasus dilakukan di Kota Jababeka dan sekitarnya sebagai Area Of Interest (AOI) untuk mendapatkan informasi pola distribusi LST secara spasial dan temporal. Dalam kajian ini LST didapatkan dengan memanfaatkan dan mengolah thermal band pada citra Landsat multi temporal. Land Surface Emisivity (LSE) diturunkan dari NDVI (Normalized Difference Vegetation Index) dan proporsi vegetasi (PV). Nilai LSE digunakan sebagai salah satu parameter untuk menghitung LST dari citra Landsat. Hasil kajian didapatkan bahwa kenaikan nilai rata-rata LST sebesar 3.03 ºC antara tahun 1990 dengan tahun 2000, dan terjadi penurunan nilai rata-rata LST berturut-turut pada interval periode selanjutnya yaitu sebesar 2.39 ºC antara tahun 2000 dengan tahun 2010 dan sebesar 0.54 ºC antara tahun 2010 dengan tahun 2020. Kondisi ini dipicu oleh adanya kenaikan luasan atas kerapatan vegetasi sekitar 24% dari luas daerah penelitian sepanjang periode kajian yang diketahui berdasarkan distribusi spasial NDVI dan LSE. Hasil kajian ini diharapkan dapat menjadi pertimbangan dalam pengambilan keputusan dan menentukan arah kebijakan pengelolaan dan pengembangan Kota Jababeka dan sekitarnya di masa yang akan datang.
Abstract
Land Surface Temperature (LST) is one of parameters used to assess the impacts of climate and environmental changes resulting from changes in land cover and land use conversion. A case study was conducted in Kota Jababeka and its surrounding region as the Area Of Interest (AOI) to obtain information on the spatial and temporal distribution patterns of LST. In this study, LST was obtained by utilizing and processing the thermal band of Landsat multi-temporal images. Land Surface Emissivity (LSE) was derived from NDVI (Normalized Vegetation Index) and proportion of vegetation (PV). LSE value is used as one of parameter to calculate LST obtained from Landsat imagery. The study\u27s findings revealed that the average LST increased by 3.03 ºC between 1990 and 2000, and subsequently, there were consecutive decreases in the average LST during the following time intervals: 2.39 ºC between 2000 and 2010 and 0.54 ºC between 2010 and 2020. These changes were triggered by an increase in vegetation cover of about 24% in the study area throughout the research period, as observed from the spatial distribution of NDVI and LSE. The results of this study are expected to be considered in decision-making and determining the direction of management and development in Kota Jababeka and its surrounding areas in the future.Land Surface Temperature (LST) merupakan salah satu parameter yang dapat digunakan untuk melihat dampak perubahan iklim dan lingkungan akibat perubahan tutupan dan alih fungsi lahan. Studi kasus dilakukan di Kota Jababeka dan sekitarnya sebagai Area Of Interest (AOI) untuk mendapatkan informasi pola distribusi LST secara spasial dan temporal. Dalam kajian ini LST didapatkan dengan memanfaatkan dan mengolah thermal band pada citra Landsat multi temporal. Land Surface Emisivity (LSE) diturunkan dari NDVI (Normalized Difference Vegetation Index) dan proporsi vegetasi (PV). Nilai LSE digunakan sebagai salah satu parameter untuk menghitung LST dari citra Landsat. Hasil kajian didapatkan bahwa kenaikan nilai rata-rata LST sebesar 3.03 ºC antara tahun 1990 dengan tahun 2000, dan terjadi penurunan nilai rata-rata LST berturut-turut pada interval periode selanjutnya yaitu sebesar 2.39 ºC antara tahun 2000 dengan tahun 2010 dan sebesar 0.54 ºC antara tahun 2010 dengan tahun 2020. Kondisi ini dipicu oleh adanya kenaikan luasan atas kerapatan vegetasi sekitar 24% dari luas daerah penelitian sepanjang periode kajian yang diketahui berdasarkan distribusi spasial NDVI dan LSE. Hasil kajian ini diharapkan dapat menjadi pertimbangan dalam pengambilan keputusan dan menentukan arah kebijakan pengelolaan dan pengembangan Kota Jababeka dan sekitarnya di masa yang akan datang.
Abstract
Land Surface Temperature (LST) is one of parameters used to assess the impacts of climate and environmental changes resulting from changes in land cover and land use conversion. A case study was conducted in Kota Jababeka and its surrounding region as the Area Of Interest (AOI) to obtain information on the spatial and temporal distribution patterns of LST. In this study, LST was obtained by utilizing and processing the thermal band of Landsat multi-temporal images. Land Surface Emissivity (LSE) was derived from NDVI (Normalized Vegetation Index) and proportion of vegetation (PV). LSE value is used as one of parameter to calculate LST obtained from Landsat imagery. The study\u27s findings revealed that the average LST increased by 3.03 ºC between 1990 and 2000, and subsequently, there were consecutive decreases in the average LST during the following time intervals: 2.39 ºC between 2000 and 2010 and 0.54 ºC between 2010 and 2020. These changes were triggered by an increase in vegetation cover of about 24% in the study area throughout the research period, as observed from the spatial distribution of NDVI and LSE. The results of this study are expected to be considered in decision-making and determining the direction of management and development in Kota Jababeka and its surrounding areas in the future
Analisis Forensik Digital untuk Investigasi Kasus Cyberbullying pada Media Sosial Tiktok
Get PDFTikTok merupakan media sosial yang populer digunakan pada masa kini. Media sosial TikTok yang populer di kalangan pengguna menjadi salah satu media yang banyak ditemui jenis kejahatan siber cyberbullying. Kasus cyberbullying pada media sosial TikTok dapat ditindak secara hukum yakni dengan dilakukan investigasi forensik digital. Penelitian ini dilakukan untuk mengumpulkan dan menganalisis bukti digital kasus cyberbullying pada TikTok android dan juga TikTok web dengan melakukan skenario kasus serta menerapkan model investigasi forensik digital yang berfokus pada jejaring sosial. Fase skenario terdiri dari persiapan, perancangan, serta pelaksanaan. Data dari skenario ini kemudian dilakukan forensik digital fase dengan tahapan-tahapan berikut: planning, reconnaissance, collection, transport, examination, identification, analysis, classification, reporting, dan presentation. Penelitian ini berhasil mendapatkan bukti-bukti digital untuk membuktikan kasus cyberbullying yang dieksperimenkan dengan skenario serta dengan model investigasi forensik digital yang diterapkan. Didapatkan hasil perbandingan yang signifikan pada perbedaan antara bukti digital TikTok android dan TikTok web. Secara keseluruhan, penelitian ini berhasil memperoleh barang bukti digital dengan persentase sebesar 68,8% dari perbandingan data awal skenario dengan data ditemukan dari hasil forensik digital.
Abstract
TikTok is currently a widely popular social media platform among users and is also a media where various forms of cyberbullying are encountered. Cases of cyberbullying on TikTok can be subject to legal prosecution through digital forensic investigations. This research aims to collect and analyze digital evidence related to cyberbullying cases on TikTok\u27s Android and Website platforms. It involves the creation of case scenarios and the application of a digital forensic investigative model specifically focused on social networks. The scenario phase encompasses preparation, design, and implementation. Data obtained from these scenarios is subsequently subjected to a digital forensics phase, consisting of these stages: planning, reconnaissance, collection, transport, examination, identification, analysis, classification, reporting, and presentation. This research successfully obtained digital evidence that substantiates cases of cyberbullying, as simulated in the scenarios and investigated using the applied digital forensic model. Significant differences were observed in the digital evidence between TikTok on Android and TikTok on the web. In summary, this study achieved a 68.8% match between the initial scenario data and the data retrieved through digital forensics, ultimately obtaining valuable digital evidence.TikTok merupakan media sosial yang populer digunakan pada masa kini. Media sosial TikTok yang populer di kalangan pengguna menjadi salah satu media yang banyak ditemui jenis kejahatan siber cyberbullying. Kasus cyberbullying pada media sosial TikTok dapat ditindak secara hukum yakni dengan dilakukan investigasi forensik digital. Penelitian ini dilakukan untuk mengumpulkan dan menganalisis bukti digital kasus cyberbullying pada TikTok android dan juga TikTok web dengan melakukan skenario kasus serta menerapkan model investigasi forensik digital yang berfokus pada jejaring sosial. Fase skenario terdiri dari persiapan, perancangan, serta pelaksanaan. Data dari skenario ini kemudian dilakukan forensik digital fase dengan tahapan-tahapan berikut: planning, reconnaissance, collection, transport, examination, identification, analysis, classification, reporting, dan presentation. Penelitian ini berhasil mendapatkan bukti-bukti digital untuk membuktikan kasus cyberbullying yang dieksperimenkan dengan skenario serta dengan model investigasi forensik digital yang diterapkan. Didapatkan hasil perbandingan yang signifikan pada perbedaan antara bukti digital TikTok android dan TikTok web. Secara keseluruhan, penelitian ini berhasil memperoleh barang bukti digital dengan persentase sebesar 68,8% dari perbandingan data awal skenario dengan data ditemukan dari hasil forensik digital.
Abstract
TikTok is currently a widely popular social media platform among users and is also a media where various forms of cyberbullying are encountered. Cases of cyberbullying on TikTok can be subject to legal prosecution through digital forensic investigations. This research aims to collect and analyze digital evidence related to cyberbullying cases on TikTok\u27s Android and Website platforms. It involves the creation of case scenarios and the application of a digital forensic investigative model specifically focused on social networks. The scenario phase encompasses preparation, design, and implementation. Data obtained from these scenarios is subsequently subjected to a digital forensics phase, consisting of these stages: planning, reconnaissance, collection, transport, examination, identification, analysis, classification, reporting, and presentation. This research successfully obtained digital evidence that substantiates cases of cyberbullying, as simulated in the scenarios and investigated using the applied digital forensic model. Significant differences were observed in the digital evidence between TikTok on Android and TikTok on the web. In summary, this study achieved a 68.8% match between the initial scenario data and the data retrieved through digital forensics, ultimately obtaining valuable digital evidence
Deteksi Detak Jantung Menggunakan Remote Photoplethysmograph dengan Perubahan Jarak dan Jenis Kamera Secara Dinamis
Get PDFSinyal Photoplethysmograph (PPG) dapat digunakan untuk mengukur saturasi oksigen dalam darah, tekanan darah dan detak jantung. Metode konvensional yang sering kali digunakan untuk mendeteksi detak jantung, diantaranya: oksimetri, tensimeter, wearable devices seperti smartwatch dan sebagainya. Proses pengukuran dengan menggunakan peralatan konvensional sebagaimana tersebut diatas masih diperlukan kontak secara fisik pada anggota tubuh jika seringkali dilakukan dapat menyebabkan iritasi pada kulit sehingga hal tersebut kurang efisien karena proses interaksinya kurang natural dan intuitif. Pada penelitian ini menerapkan proses deteksi sinyal PPG untuk pembacaan detak jantung melalui dahi secara dinamis menggunakan computer vision secara realtime tanpa diperlukan kontak fisik, konsep tersebut disebut dengan istilah remote PhotoPlethysmoGraph (rPPG). Guna mengetahui seberapa akurat hasil dari pembacaan detak jantung dari metode rPPG maka akurasinya akandibandingkan dengan hasil pembacaan dari oksimetri, smartwatch serta tensimeter digital terbaru dengan koneksi via bluetooth sehingga dapat dimonitor melalui smartphone. Hasil dari penelitian ini persentase akurasi terbaik menggunakan kamera laptop didapatkan pada jarak 40 cm dengan pembacaan pada smartwatch sebesar 93,2%, akurasi terhadap oksimeter sebesar 94,4% sedangkan pada penggunaan webcam eksternal yang memiliki fitur auto-fokus perbandingan rata-rata akurasi metode rPPG terhadap oksimeter sebesar 97,7% dan rata-rata persentase akurasi rPPG terhadap tensimeter digital 99,55%. Metode rPPG dapat dimanfaatkan medis untuk proses skrining awal deteksi detak jantung atau sebagai second opinion sampai didapatkan data mendekati kebenaran melalui setting dan konfigurasi yang tepat terkait dengan nilai impact factor pada program, penataan pencahayaan dan warna background ruangan.Sinyal Photoplethysmograph (PPG) dapat digunakan untuk mengukur saturasi oksigen dalam darah, tekanan darah dan detak jantung. Metode konvensional yang sering kali digunakan untuk mendeteksi detak jantung, diantaranya: oksimetri, tensimeter, wearable devices seperti smartwatch dan sebagainya. Proses pengukuran dengan menggunakan peralatan konvensional sebagaimana tersebut di atas masih diperlukan kontak secara fisik pada anggota tubuh, jika hal tersebut seringkali dilakukan maka dapat menyebabkan iritasi pada kulit sehingga hal tersebut kurang efektif dan efisien dikarenakan proses interaksinya kurang natural dan intuitif. Pada penelitian ini menerapkan proses deteksi sinyal PPG untuk pembacaan detak jantung melalui dahi secara dinamis menggunakan computer vision secara realtime tanpa diperlukan kontak fisik, konsep tersebut disebut dengan istilah remote PhotoPlethysmoGraph (rPPG). Guna mengetahui seberapa akurat hasil dari pembacaan detak jantung dari metode rPPG maka nilai persentase akurasinya akan dibandingkan dengan hasil pembacaan dari alat oksimetri, smartwatch serta tensimeter digital terbaru dengan koneksi via bluetooth sehingga dapat dimonitor melalui smartphone. Hasil dari penelitian ini persentase akurasi terbaik menggunakan kamera internal laptop didapatkan pada jarak 40 cm dengan pembacaan pada smartwatch sebesar 93,2%, akurasi di oksimeter sebesar 94,4%, sedangkan penggunaan webcam eksternal yang memiliki fitur auto-focus perbandingan rata-rata akurasi metode rPPG terhadap oksimeter sebesar 97,7% dan rata-rata persentase akurasi rPPG terhadap tensimeter digital 99,55%. Metode rPPG dapat dimanfaatkan medis untuk proses skrining awal deteksi detak jantung atau sebagai pendukung keputusan, untuk meningkatkan nilai persentase akurasi dari metode rPPG maka dapat dilakukan beberapa cara, diantaranya: melalui setting dan konfigurasi yang tepat nilai impact factor pada program, penataan pencahayaan dan warna background ruangan.
Abstract
Photoplethysmograph (PPG) signals can measure blood oxygen saturation, blood pressure and heart rate. Conventional methods often used to detect heartbeats include oximetry, blood pressure monitors, wearable devices such as smartwatches, etc. As mentioned above, the measurement process using conventional equipment still requires physical contact with body parts; if this is done frequently, it can cause skin irritation, making it less effective and efficient because the interaction process is less natural and intuitive. In this research, the PPG signal detection process is applied to dynamically read heartbeats through the forehead using computer vision in real-time without physical contact, and this concept is called remote PhotoPlethysmoGraph (rPPG). To find out how accurate the results of heart rate readings from the rPPG method are, the accuracy percentage value will be compared with the reading results from oximetry devices, smartwatches and the latest digital tensimeters with a connection via Bluetooth so that they can be monitored via smartphone. The results of this research were that the best percentage of accuracy using the laptop’s internal camera was obtained at a distance of 40 cm with readings on the smartwatch of 93.2%, accuracy on the oximeter of 94.4% while using an external webcam that had an auto-focus feature compared the average accuracy The rPPG method for oximeters was 97.7% and the average percentage accuracy of rPPG for digital sphygmomanometers was 99.55%. The rPPG method can be used medically for the initial screening process for heartbeat detection or as decision support. Several ways can be done to increase the accuracy percentage value of the Rppg method, including setting and properly configuring the impact factor value in the program, lighting arrangement and room background colour
Integrasi Audit Trail dan Teknik Clustering untuk Segmentasi dan Kategorisasi Aktivitas Log
Get PDFDengan berkembangnya teknologi, organisasi dan perusahaan kini mengumpulkan data dalam jumlah yang sangat besar, yang tercatat dalam log sistem untuk tujuan audit keamanan, pemantauan, dan investigasi forensik. Namun, tantangan utama muncul saat analis keamanan harus menangani volume data log yang besar, yang seringkali membuat sulit untuk mengidentifikasi aktivitas mencurigakan atau abnormal. Dalam upaya mengatasi tantangan analisis log yang berskala besar dalam sistem informasi, penelitian ini bertujuan untuk mengintegrasikan teknik audit trail dengan metode clustering, khususnya menggunakan K-Means, untuk segmentasi dan kategorisasi aktivitas log. Penelitian ini mencari pendekatan yang dapat meningkatkan efisiensi dalam menelusuri dan menganalisis log aktivitas dengan mengelompokkan data log yang serupa. Metode yang digunakan mencakup desain eksperimental, pengumpulan data audit trail yang komprehensif, preprocessing data, implementasi algoritma K-Means, dan evaluasi hasil clustering. Hasil penelitian mengindikasikan bahwa penerapan K-Means pada audit trail memungkinkan identifikasi pola aktivitas yang signifikan, memudahkan deteksi anomali dengan cepat, dan menyederhanakan proses audit keamanan data, yang mengarah pada pemahaman yang lebih baik dalam pengelolaan risiko keamanan informasi.Dengan berkembangnya teknologi, organisasi dan perusahaan kini mengumpulkan data dalam jumlah yang sangat besar, yang tercatat dalam log sistem untuk tujuan audit keamanan, pemantauan, dan investigasi forensik. Namun, tantangan utama muncul saat analis keamanan harus menangani volume data log yang besar, yang seringkali membuat sulit untuk mengidentifikasi aktivitas mencurigakan atau abnormal. Dalam upaya mengatasi tantangan analisis log yang berskala besar dalam sistem informasi, penelitian ini bertujuan untuk mengintegrasikan teknik audit trail dengan metode clustering, khususnya menggunakan K-Means, untuk segmentasi dan kategorisasi aktivitas log. Penelitian ini mencari pendekatan yang dapat meningkatkan efisiensi dalam menelusuri dan menganalisis log aktivitas dengan mengelompokkan data log yang serupa. Metode yang digunakan mencakup desain eksperimental, pengumpulan data audit trail yang komprehensif, preprocessing data, implementasi algoritma K-Means, dan evaluasi hasil clustering. Hasil penelitian mengindikasikan bahwa penerapan K-Means pada audit trail memungkinkan identifikasi pola aktivitas yang signifikan, memudahkan deteksi anomali dengan cepat, dan menyederhanakan proses audit keamanan data, yang mengarah pada pemahaman yang lebih baik dalam pengelolaan risiko keamanan informasi
Implementasi Logika Fuzzy Pada Alat Pendeteksi Kualitas Minyak Goreng Berdasarkan pH dan Tingkat Kejernihan
Get PDFPenelitian ini bertujuan untuk mengembangkan alat pendeteksi kualitas minyak goreng kelapa sawit dengan menggunakan metode fuzzy logic Mamdani yang memanfaatkan sensor pH dan sensor cahaya BH1750. Input pada logika fuzzy yaitu nilai pH dan kejernihan minyak yang diukur melalui ADC dari Arduino Mega2560 Pro menggunakan pembacaan data dari sensor BH1750 untuk menentukan tingkat kejernihan pada minyak goreng, sedangkan output berupa kualitas minyak goreng dengan menggunakan desain fuzzy yang dibuat pada software MATLAB. Minyak yang diuji mencakup jenis minyak kemasan premium, kemasan sederhana, dan minyak curah. Pengujian dilakukan pada tiga variasi, yaitu sebelum penggunaan minyak untuk menggoreng telur, setelah satu kali penggorengan telur, dan dua kali penggorengan telur. Hasil penelitian menunjukkan korelasi yang sangat kuat antara kejernihan minyak dengan nilai ADC, mencapai 0,976. Selisih output antara alat dengan perhitungan MATLAB sangat kecil, berkisar antara 0,00 hingga 0,03. Rata-rata diskrepansi pada minyak yang belum digunakan, setelah satu kali penggunaan, dan dua kali penggunaan masing-masing sekitar 0,15%, 0,36%, dan 0,76% berturut-turut. Implementasi logika fuzzy pada alat pendeteksi kualitas minyak goreng berdasarkan pH dan tingkat kejernihan menunjukkan kinerja yang baik dengan akurasi tinggi. Hasil penelitian ini tidak hanya berdampak pada pemantauan kualitas minyak, tetapi juga membuka peluang untuk penerapan logika fuzzy dalam analisis kualitas pada bidang-bidang lain.Penelitian ini bertujuan untuk mengembangkan alat pendeteksi kualitas minyak goreng kelapa sawit dengan menggunakan metode fuzzy logic Mamdani yang memanfaatkan sensor pH dan sensor cahaya BH1750. Input pada logika fuzzy yaitu nilai pH dan kejernihan minyak yang diukur melalui ADC dari Arduino Mega2560 Pro menggunakan pembacaan data dari sensor BH1750 untuk menentukan tingkat kejernihan pada minyak goreng, sedangkan output berupa kualitas minyak goreng dengan menggunakan desain fuzzy yang dibuat pada software MATLAB. Minyak yang diuji mencakup jenis minyak kemasan premium, kemasan sederhana, dan minyak curah. Pengujian dilakukan pada tiga variasi, yaitu sebelum penggunaan minyak untuk menggoreng telur, setelah satu kali penggorengan telur, dan dua kali penggorengan telur. Hasil penelitian menunjukkan korelasi yang sangat kuat antara kejernihan minyak dengan nilai ADC, mencapai 0,976. Selisih output antara alat dengan perhitungan MATLAB sangat kecil, berkisar antara 0,00 hingga 0,03. Rata-rata diskrepansi pada minyak yang belum digunakan, setelah satu kali penggunaan, dan dua kali penggunaan masing-masing sekitar 0,15%, 0,36%, dan 0,76% berturut-turut. Implementasi logika fuzzy pada alat pendeteksi kualitas minyak goreng berdasarkan pH dan tingkat kejernihan menunjukkan kinerja yang baik dengan akurasi tinggi. Hasil penelitian ini tidak hanya berdampak pada pemantauan kualitas minyak, tetapi juga membuka peluang untuk penerapan logika fuzzy dalam analisis kualitas pada bidang-bidang lain