Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Pengembangan Pembagian Beban Kerja Server Cluster DockerSwarm Berbasis Raspberry Dengan Metode Loadbalancer IpHash Serta Terautomasi Ansible
Get PDFPerkembangan teknologi saat ini mempercepat penyebaran informasi, hal ini meningkatkan traffic dan tekanan pada infrastruktur. Menghadapi ini, sistem yang reliable, availability, dan maintainability diperlukan. Dengan container dan Raspberry Pi sebagai server. Memberikan keunggulan selain 3 karakteristik sistem tersebut juga dari sumberdaya yang diperlukan. Raspberry Pi dapat terhubung ke jaringan LAN maupun nirkabel. Fokus penelitian ini pada perancangan dan implementasi sistem berbasis empat Raspberry Pi, tiga sebagai webserver Nginx, dan satu sebagai kontroler. Sistem ini menggunakan teknologi containerization di lingkungan DockerSwarm dan diintegrasikan Ansible untuk otomatisasi tugas. Tujuan penelitian ini adalah menciptakan sistem yang dapat disesuaikan dengan kebutuhan, memanfaatkan Raspberry Pi untuk efisiensi daya, dan memberikan manfaat dalam hal skalabilitas dan otomatisasi. Sistem ini menggunakan empat Raspberry Pi dengan algoritma IP HASH untuk pembagian beban kerja. Komponen utama mencakup input dari pengguna, pemrosesan beban kerja oleh load balancer, dan output melalui antarmuka web browser. Load balancer bertanggung jawab atas distribusi lalu lintas dan pemantauan status server untuk mengalihkan lalu lintas jika diperlukan. Pengujian menunjukkan system dengan load balancer lebih efisien dalam penggunaan CPU dengan perbandingan CPU 39.1% pada ws1 dengan loadbalancer dan 51.2% tanpa loadbalancer, 38.9% pada ws2 dengan loadbalancer dan 51.7% tanpa loadbalancer, serta 6.3% pada ws3 ketika loadbalancer mengalihkan request saat server 1 atau 2 mati dan efektif dalam mengalihkan request saat server bermasalah dengan persentase kegagalan melayani request sebesar 18% atau 18 request dari 1000 request sedangkan tanpa loadbalancer request tidak dapat dilayani ketika server yang dituju mati. Ini membuktikan reliable, availability, dan maintainability pada sistem ini terpenuhi.Perkembangan teknologi saat ini mempercepat penyebaran informasi, hal ini meningkatkan traffic dan tekanan pada infrastruktur. Menghadapi ini, sistem yang reliable, availability, dan maintainability diperlukan. Dengan container dan Raspberry Pi sebagai server. Memberikan keunggulan selain 3 karakteristik sistem tersebut juga dari sumberdaya yang diperlukan. Raspberry Pi dapat terhubung ke jaringan LAN maupun nirkabel. Fokus penelitian ini pada perancangan dan implementasi sistem berbasis empat Raspberry Pi, tiga sebagai webserver Nginx, dan satu sebagai kontroler. Sistem ini menggunakan teknologi containerization di lingkungan DockerSwarm dan diintegrasikan Ansible untuk otomatisasi tugas. Tujuan penelitian ini adalah menciptakan sistem yang dapat disesuaikan dengan kebutuhan, memanfaatkan Raspberry Pi untuk efisiensi daya, dan memberikan manfaat dalam hal skalabilitas dan otomatisasi. Sistem ini menggunakan empat Raspberry Pi dengan algoritma IP HASH untuk pembagian beban kerja. Komponen utama mencakup input dari pengguna, pemrosesan beban kerja oleh load balancer, dan output melalui antarmuka web browser. Load balancer bertanggung jawab atas distribusi lalu lintas dan pemantauan status server untuk mengalihkan lalu lintas jika diperlukan. Pengujian menunjukkan system dengan load balancer lebih efisien dalam penggunaan CPU dengan perbandingan CPU 39.1% pada ws1 dengan loadbalancer dan 51.2% tanpa loadbalancer, 38.9% pada ws2 dengan loadbalancer dan 51.7% tanpa loadbalancer, serta 6.3% pada ws3 ketika loadbalancer mengalihkan request saat server 1 atau 2 mati dan efektif dalam mengalihkan request saat server bermasalah dengan persentase kegagalan melayani request sebesar 18% atau 18 request dari 1000 request sedangkan tanpa loadbalancer request tidak dapat dilayani ketika server yang dituju mati. Ini membuktikan reliable, availability, dan maintainability pada sistem ini terpenuhi.
Abstract
Current technological advancements have accelerated the dissemination of information, increasing traffic and pressure on infrastructure. To handle this, reliable, available, and maintainable systems are required. Utilizing containers and Raspberry Pi as servers offers significant advantages, particularly in resource efficiency. Raspberry Pi can connect to networks via LAN cables or wirelessly. This research focuses on designing and implementing a system based on four Raspberry Pis three as Nginx web servers and one as a controller. The system employs containerization technology within a Docker Swarm environment and integrates Ansible for task automation. The goal is to create an adaptable system that leverages Raspberry Pi for energy efficiency, scalability, and automation benefits. The system uses the IP HASH algorithm for workload distribution, with key components including user input, workload processing by the load balancer, and output via a web browser interface. The load balancer handles traffic distribution and server status monitoring, redirecting traffic as needed. Testing shows that the system with a load balancer is more efficient in CPU usage 39.1% on ws1 with a load balancer and 51.2% without, 38.9% on ws2 with a load balancer and 51.7% without, and 6.3% on ws3 when redirecting requests during server 1 or 2 failures. It effectively redirects requests during server issues, with a failure rate of 18% (18 out of 1000 requests), while requests cannot be served when the targeted server is down without a load balancer. This demonstrates the system\u27s reliability, availability, and maintainability
Sistem Monitoring Terpadu untuk Kelompok Geriatri Menggunakan Fuzzy Mamdani Dan Deep Learning
Get PDFGeriatri merupakan salah satu kelompok rentan yang membutuhkan monitoring yang intensif untuk meningkatkan kualitas hidup dari kelompok geriatri itu sendiri. Implementasi kecerdasan buatan (AI) memberikan kemudahan bagi pengguna maupun kelompok geriatri. Di dalam penelitian ini dibangun sistem monitoring bagi kelompok geriatri berbasis parameter saturasi oksigen, detak jantung dalam satuan (beats per minute) (BPM) dan temperatur tubuh yang bertujuan untuk memudahkan dalam memonitoring geriatri melalui teknologi AI. Perangkat menggunakan sensor MAX30205 dan sensor MAX30102 yang diintegrasikan dengan mikrokontroler ESP32 sehingga dapat memonitor kondisi geriatri secara real-time. Implementasi pemodelan untuk mendeteksi kondisi geriatri apakah stabil atau tidak stabil menggunakan deep learning (DL) yang dikembangkan berbasis aturan fuzzy mamdani. Terdapat 10 model DL yang dikomparasi dengan arsitektur layer dan epoch yang berbeda, di mana menghasilkan akurasi tertinggi pada model 8 dengan persentasi akurasi 97,8% dan F1-score sebesar 0,98. Pengujian dilakukan dengan mengukur sensitifitas sistem terhadap pembacaan tiga parameter pada kelompok geriatri, di mana menghasilkan nilai MAPE sebesar 1,33% dan akurasi 98,67%. Sementara pengujian persepsi sistem melalui pemodelan DL yang terintegrasi dengan fuzzy mamdani terhadap data riil pada tiga parameter dilakukan dengan melibatkan 15 partisipan. Berdasarkan eksperimen tersebut, dihasilkan 14 pengujian yang menghasilkan data yang sesuai antara nilai aktual dan nilai hasil. Sehingga akurasi persepsi sistem terhadap kondisi stabilitas kelompok geriatri adalah 93,33%. Penelitian ini berkontribusi dalam meningkatkan kualitas hidup kelompok geriatri melalui implementasi monitoring yang terintegrasi dengan AI serta memiliki originalitas di mana sistem yang dibangun mengkombinasikan teknologi DL dengan teknik Fuzzy untuk menghasilkan akurasi data yang optimal.
Abstract
Geriatrics represents one of the vulnerable communities that requires intensive monitoring to enhance the quality of life within the geriatric itself. The implementation of artificial intelligence (AI) provides convenience for both users and the geriatric population. In this study, a monitoring system based on oxygen saturation parameters, heart rate in beats per minute (BPM), and body temperature was developed for the geriatric and aims to monitor the geriatric by utilizing AI technology. The device utilizes MAX30205 and MAX30102 sensors integrated with the ESP32 microcontroller to monitor the geriatric condition in real-time. The implementation of modeling to detect whether the geriatric condition is stable or unstable uses deep learning (DL) developed based on Fuzzy Mamdani rules. There are 10 DL models compared with different layer architectures and epochs, resulting in the highest accuracy in model 8 with an accuracy rate of 97.8% and an F1-score of 0.98. Testing was conducted by measuring the system\u27s sensitivity to readings of three parameters in the geriatric group, yielding a Mean Absolute Percentage Error (MAPE) value of 1.33% and an accuracy of 98.67%. Meanwhile, the perception testing of the system through DL modeling on real data for three parameters involved 15 participants. Based on these experiments, 14 tests were conducted, producing data consistent between actual and observed values. Thus, the system\u27s accuracy in perceiving the stability of the geriatric group\u27s condition is 93.33%. This study contributes to improving the quality of life of geriatric groups through implementing monitoring integrated with AI and has originality where the system combines DL technology with fuzzy techniques to gain optimal data accuracy.
Geriatri merupakan salah satu kelompok rentan yang membutuhkan monitoring yang intensif untuk meningkatkan kualitas hidup dari kelompok geriatri itu sendiri. Implementasi kecerdasan buatan (AI) memberikan kemudahan bagi pengguna maupun kelompok geriatri. Di dalam penelitian ini dibangun sistem monitoring bagi kelompok geriatri berbasis parameter saturasi oksigen, detak jantung dalam satuan (beats per minute) (BPM) dan temperatur tubuh yang bertujuan untuk memudahkan dalam memonitoring geriatri melalui teknologi AI. Perangkat menggunakan sensor MAX30205 dan sensor MAX30102 yang diintegrasikan dengan mikrokontroler ESP32 sehingga dapat memonitor kondisi geriatri secara real-time. Implementasi pemodelan untuk mendeteksi kondisi geriatri apakah stabil atau tidak stabil menggunakan deep learning (DL) yang dikembangkan berbasis aturan fuzzy mamdani. Terdapat 10 model DL yang dikomparasi dengan arsitektur layer dan epoch yang berbeda, di mana menghasilkan akurasi tertinggi pada model 8 dengan persentasi akurasi 97,8% dan F1-score sebesar 0,98. Pengujian dilakukan dengan mengukur sensitifitas sistem terhadap pembacaan tiga parameter pada kelompok geriatri, di mana menghasilkan nilai MAPE sebesar 1,33% dan akurasi 98,67%. Sementara pengujian persepsi sistem melalui pemodelan DL yang terintegrasi dengan fuzzy mamdani terhadap data riil pada tiga parameter dilakukan dengan melibatkan 15 partisipan. Berdasarkan eksperimen tersebut, dihasilkan 14 pengujian yang menghasilkan data yang sesuai antara nilai aktual dan nilai hasil. Sehingga akurasi persepsi sistem terhadap kondisi stabilitas kelompok geriatri adalah 93,33%. Penelitian ini berkontribusi dalam meningkatkan kualitas hidup kelompok geriatri melalui implementasi monitoring yang terintegrasi dengan AI serta memiliki originalitas di mana sistem yang dibangun mengkombinasikan teknologi DL dengan teknik Fuzzy untuk menghasilkan akurasi data yang optimal.
Abstract
Geriatrics represents one of the vulnerable communities that requires intensive monitoring to enhance the quality of life within the geriatric itself. The implementation of artificial intelligence (AI) provides convenience for both users and the geriatric population. In this study, a monitoring system based on oxygen saturation parameters, heart rate in beats per minute (BPM), and body temperature was developed for the geriatric and aims to monitor the geriatric by utilizing AI technology. The device utilizes MAX30205 and MAX30102 sensors integrated with the ESP32 microcontroller to monitor the geriatric condition in real-time. The implementation of modeling to detect whether the geriatric condition is stable or unstable uses deep learning (DL) developed based on Fuzzy Mamdani rules. There are 10 DL models compared with different layer architectures and epochs, resulting in the highest accuracy in model 8 with an accuracy rate of 97.8% and an F1-score of 0.98. Testing was conducted by measuring the system\u27s sensitivity to readings of three parameters in the geriatric group, yielding a Mean Absolute Percentage Error (MAPE) value of 1.33% and an accuracy of 98.67%. Meanwhile, the perception testing of the system through DL modeling on real data for three parameters involved 15 participants. Based on these experiments, 14 tests were conducted, producing data consistent between actual and observed values. Thus, the system\u27s accuracy in perceiving the stability of the geriatric group\u27s condition is 93.33%. This study contributes to improving the quality of life of geriatric groups through implementing monitoring integrated with AI and has originality where the system combines DL technology with fuzzy techniques to gain optimal data accuracy.
Aplikasi Berbasis Progressive Web App (Mentoree) sebagai Layanan Pendampingan Pembelajaran Pemrograman di Universitas Brawijaya
Get PDFSeiring dengan proses modernisasi, teknologi menjadi salah satu bidang ilmu yang penting untuk dipelajari, Nadiem Makarim selaku Menteri Pendidikan, Kebudayaan, Riset dan Teknologi (Mendikbud Ristek), menanggapi modernisasi dengan menyusun kurikulum pendidikan yang terintegrasi teknologi. Adanya mata kuliah yang mempelajari penggunaan maupun pengembangan teknologi informasi hampir pada setiap jurusan di Universitas di Indonesia. Contohnya, Universitas Brawijaya yang menerapkan materi pemrograman pada kurikulum pembelajaran mereka. Hal ini memunculkan masalah baru, khususnya bagi mahasiswa yang memiliki keterbatasan dalam penguasaan mata kuliah yang berhubungan dengan pemrograman. Dilakukan wawancara dengan 10 mahasiswa dari 5 program studi berbeda, didapatkan data bahwa mereka memerlukan adanya bantuan tutor untuk membantu mereka dalam mengikuti mata kuliah yang berkaitan dengan bahasa pemrograman. Berdasarkan permasalahan tersebut, peneliti membuat gagasan mengenai sebuah sistem berbasis Progressive Web App yang dirancang untuk memfasilitasi pencarian mentor secara online dengan memiliki kelayakan teknis yang baik, sehingga dapat diimplementasikan secara efektif dan efisien. Implementasi teknologi Progressive Web App dinilai lebih efektif karena memberikan keleluasaan bagi pengguna untuk mengakses aplikasi baik melalui website maupun aplikasi mobile. Untuk membuktikan apakah aplikasi siap digunakan dan sesuai dengan kebutuhan pengguna yang didapatkan dari proses analisis kebutuhan, maka dilakukan empat jenis pengujian yaitu pengujian unit, pengujian validasi, pengujian kompatibilitas, dan pengujian performa. Dari keempat pengujian tersebut, didapatkan hasil bahwa aplikasi siap digunakan dengan hasil valid pada pengujian fungsional dan hasil cukup baik pada pengujian non fungsional. Sehingga sistem yang dibuat diharapkan dapat dikembangkan lebih baik di kemudian hari.
Abstract
Along with modernization, technology has become a crucial field of study. Nadiem Makarim, the Minister of Education, Culture, Research, and Technology, responded by integrating technology into the national education curriculum. Most university departments in Indonesia now offer courses that incorporate information technology. For instance, Brawijaya University includes programming in its curriculum. However, this poses challenges for students who struggle with programming-related subjects. Interviews with 10 students from 5 different study programs revealed that many need tutors to help them succeed in these courses. To address this issue, researchers proposed a Progressive Web App (PWA) system that helps students find online mentors, emphasizing its technical feasibility for effective and efficient implementation. PWA technology offers flexibility, allowing users to access the system through both websites and mobile devices. To ensure the application meets user needs, as identified in the needs analysis, four types of testing were conducted: unit testing, validation testing, compatibility testing, and performance testing. These tests showed that the application is ready for use, with valid results in functional testing and positive outcomes in non-functional testing. The system is expected to be further developed in the future for even better performance.Seiring dengan proses modernisasi, teknologi menjadi salah satu bidang ilmu yang penting untuk dipelajari, Nadiem Makarim selaku Menteri Pendidikan, Kebudayaan, Riset dan Teknologi (Mendikbud Ristek), menanggapi modernisasi dengan menyusun kurikulum pendidikan yang terintegrasi teknologi. Adanya mata kuliah yang mempelajari penggunaan maupun pengembangan teknologi informasi hampir pada setiap jurusan di Universitas di Indonesia. Contohnya, Universitas Brawijaya yang menerapkan materi pemrograman pada kurikulum pembelajaran mereka. Hal ini memunculkan masalah baru, khususnya bagi mahasiswa yang memiliki keterbatasan dalam penguasaan mata kuliah yang berhubungan dengan pemrograman. Dilakukan wawancara dengan 10 mahasiswa dari 5 program studi berbeda, didapatkan data bahwa mereka memerlukan adanya bantuan tutor untuk membantu mereka dalam mengikuti mata kuliah yang berkaitan dengan bahasa pemrograman. Berdasarkan permasalahan tersebut, peneliti membuat gagasan mengenai sebuah sistem berbasis Progressive Web App yang dirancang untuk memfasilitasi pencarian mentor secara online dengan memiliki kelayakan teknis yang baik, sehingga dapat diimplementasikan secara efektif dan efisien. Implementasi teknologi Progressive Web App dinilai lebih efektif karena memberikan keleluasaan bagi pengguna untuk mengakses aplikasi baik melalui website maupun aplikasi mobile. Untuk membuktikan apakah aplikasi siap digunakan dan sesuai dengan kebutuhan pengguna yang didapatkan dari proses analisis kebutuhan, maka dilakukan empat jenis pengujian yaitu pengujian unit, pengujian validasi, pengujian kompatibilitas, dan pengujian performa. Dari keempat pengujian tersebut, didapatkan hasil bahwa aplikasi siap digunakan dengan hasil valid pada pengujian fungsional dan hasil cukup baik pada pengujian non fungsional. Sehingga sistem yang dibuat diharapkan dapat dikembangkan lebih baik di kemudian hari.
Abstract
Along with modernization, technology has become a crucial field of study. Nadiem Makarim, the Minister of Education, Culture, Research, and Technology, responded by integrating technology into the national education curriculum. Most university departments in Indonesia now offer courses that incorporate information technology. For instance, Brawijaya University includes programming in its curriculum. However, this poses challenges for students who struggle with programming-related subjects. Interviews with 10 students from 5 different study programs revealed that many need tutors to help them succeed in these courses. To address this issue, researchers proposed a Progressive Web App (PWA) system that helps students find online mentors, emphasizing its technical feasibility for effective and efficient implementation. PWA technology offers flexibility, allowing users to access the system through both websites and mobile devices. To ensure the application meets user needs, as identified in the needs analysis, four types of testing were conducted: unit testing, validation testing, compatibility testing, and performance testing. These tests showed that the application is ready for use, with valid results in functional testing and positive outcomes in non-functional testing. The system is expected to be further developed in the future for even better performance
KLASIFIKASI PROGRAM BANTUAN SOSIAL MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) (STUDI KASUS KECAMATAN MALANGBONG KABUPATEN GARUT)
Get PDFIsu kemiskinan di Indonesia menjadi perhatian utama pemerintah baik di tingkat pusat maupun daerah. Pemerintah merespons permasalahan ini melalui beberapa program salah satunya Program Bantuan Sosial (BANSOS). Melalui inisiatif ini, pemerintah berusaha menurunkan tingkat kemiskinan. Namun sering kali penentuan atribut yang digunakan untuk menunjukkan bahwa masyarakat masuk dalam kategori miskin dan berhak mendapatkan BANSOS masih sering kali kurang tepat. Konsep data mining diharapkan dapat mempermudah penyelesaian masalah penentuan atribut BANSOS. Dengan menggunakan algoritma K-Nearest Neighbor dan metode Cross-Industry Standard Process for Data Mining (Crisp-DM), diharapkan dapat ditemukan solusi yang lebih akurat dan efisien dalam menentukan kriteria penduduk miskin untuk menerima BANSOS. Dari hasil penelitian yang telah dilakukan menggunakan aplikasi Rapidminer dengan jumlah data sebanyak 19.943 keluarga serta pembagian rasio 70% untuk data latih, 30% data uji dan nilai K=598 atau 3% dari total dataset, diperoleh tingkat akurasi model sebesar 86,70%. Pada model yang telah dibuat, dilakukan validasi terhadap model tersebut dengan menggunakan 600 data keluarga di luar dataset dengan kondisi geografis wilayah pegunungan, perkotaan dan pesisir. Hasil validasi ini menghasilkan akurasi sebesar 85,92%.
Abstract
The issue of poverty in Indonesia is a major concern of the government at both the central and regional levels. The government responds to this problem through several programs, one of which is the Social Assistance Program (BANSOS). Through this initiative, the government is trying to reduce poverty levels. However, often the determination of the attributes used to indicate that people are in the poor category and are entitled to BANSOS is often inaccurate. The concept of data mining hopefully it will make things easier to solve the problem of determining BANSOS attributes. By using the K-Nearest Neighbor algorithm and the Cross-Industry Standard Process for Data Mining (Crisp-DM) method, it is hoped that a more accurate and efficient solution can be found in determining the criteria for poor people to receive BANSOS. From the results of research conducted using the Rapidminer application with a total of 19,943 families of data and a division ratio of 70% for training data, 30% for test data and a value of K=598 or 3% of the total dataset, a model accuracy rate of 86.70% was obtained. In the model that has been created, validation of the model was carried out using 600 family data outside the dataset with geographical conditions in mountainous, urban and coastal areas. The results of this validation produced an accuracy of 85.92%.Isu kemiskinan di Indonesia menjadi perhatian utama pemerintah baik di tingkat pusat maupun daerah. Pemerintah merespon permasalahan ini melalui beberapa program salah satunya Program Bantuan Sosial (BANSOS). Melalui inisiatif ini, pemerintah berusaha menurunkan tingkat kemiskinan. Namun seringkali penentuan atribut yang digunakan untuk menunjukan bahwa masyarakat masuk dalam kategori miskin dan berhak mendapatkan BANSOS masih seringkalli kurang tepat. Konsep data mining diharapkan dapat mempermudah penyelesaian masalah penentuan atribut BANSOS. Dengan menggunakan algoritma K-Nearest Neighbor dan metode Cross-Industry Standard Process for Data Mining (Crisp-DM), diharapkan dapat ditemukan solusi yang lebih akurat dan efisien dalam menentukan kriteria penduduk miskin untuk menerima BANSOS. Dari hasil penelitian yang telah dilakukan menggunakan aplikasi Rapidminer dengan jumlah data sebanyak 19.943 keluarga serta pembagian rasio 70% untuk data latih, 30% data uji dan nilai K=598 atau 3% dari total dataset, diperoleh tingkat akurasi model sebesar 86,70%. Pada model yang telah dibuat, dilakukan validasi terhadap model tersebut dengan menggunakan 600 data keluarga diluar dataset dengan kondisi geografis wilayah pegunungan, perkotaan dan pesisir. Hasil validasi ini menghasilkan akurasi sebesar 85,92%
Prototipe Sistem Pendukung Keputusan Terintegrasi Model Ner Untuk Validasi Dan Penetapan Pemuktahiran Data ASN
Get PDFUntuk mendukung dan memperlancar penyelenggaraan manajemen aparatur sipil negara serta pengambilan keputusan yang efisien, efektif, dan akurat, diperlukan data pegawai ASN. Data tersebut harus dimutakhirkan dan divalidasi secara berkala sebelum disebarluaskan dan diakses oleh instansi pemerintah sesuai kewenangannya masing-masing serta dapat diakses oleh masyarakat melalui portal data sesuai dengan ketentuan peraturan perundang-undangan. Pada paper ini ditampilkan prototipe berbasis web untuk menunjukkan bahwa model NER yang dikembangkan dapat diintegrasikan sebagai subsistem dari sistem pendukung keputusan dalam melakukan validasi dan penetapan persetujuan pemutakhiran data ASN. Prototipe menunjukkan tingkat kemiripan hasil prediksi model dengan data yang diusulkan, tertinggi sebesar 100% dan terendah sebesar 41,34%. Pengukuran kinerja model menggunakan spacy menunjukkan bahwa model terbaik memperoleh nilai F1-score rata-rata sebesar 99,01 menggunakan dataset training, 98,20 menggunakan dataset testing, dan 94,26 menggunakan dataset other.Untuk mendukung dan memperlancar penyelenggaraan manajemen aparatur sipil negara serta pengambilan keputusan yang efisien, efektif, dan akurat, diperlukan data pegawai ASN. Data tersebut harus dimutakhirkan dan divalidasi secara berkala sebelum disebarluaskan dan diakses oleh instansi pemerintah sesuai kewenangannya masing-masing serta dapat diakses oleh masyarakat melalui portal data sesuai dengan ketentuan peraturan perundang-undangan. Pada paper ini ditampilkan prototipe berbasis web untuk menunjukkan bahwa model NER yang dikembangkan dapat diintegrasikan sebagai subsistem dari sistem pendukung keputusan dalam melakukan validasi dan penetapan persetujuan pemutakhiran data ASN. Prototipe menunjukkan tingkat kemiripan hasil prediksi model dengan data yang diusulkan, tertinggi sebesar 100% dan terendah sebesar 41,34%. Pengukuran kinerja model menggunakan spacy menunjukkan bahwa model terbaik memperoleh nilai F1-score rata-rata sebesar 99,01 menggunakan dataset training, 98,20 menggunakan dataset testing, dan 94,26 menggunakan dataset other.
Abstract
To support and facilitate the implementation of state civil apparatus management and efficient, effective, and accurate decision-making, ASN employee data are required. The data must be updated and validated periodically before being disseminated and accessed by government agencies according to their respective authorities and can be accessed by the public through a data portal in accordance with the provisions of laws and regulations. This paper presents a web-based prototype to demonstrate that the proposed NER model can be integrated as a subsystem of a decision support system to validate and determine approval for ASN data updates. The prototype shows the level of similarity between the model\u27s prediction results and the proposed data, with the highest value being 100% and the lowest being 41.34%. The measurement of model performance using spacy demonstrated that the best model obtained an average F1-score of 99.01 using the training dataset, 98.20 using the testing dataset, and 94.26 using the other dataset
Implementasi Markerless Location-Based Untuk Aplikasi Augmented Reality Berbasis Android
Get PDFTeknologi Augmented Reality (AR) semakin berkembang dan banyak diterapkan di berbagai bidang, termasuk industri konstruksi yang menghadapi tantangan dalam mempresentasikan dan memvisualisasikan struktur bangunan kepada klien dan pekerja di lapangan. Metode visualisasi tradisional dengan model 3D statis masih memiliki keterbatasan dalam hal interaktivitas, kejelasan, diskusi teknis, serta promosi hasil bangunan. Solusi yang ditawarkan dalam penelitian ini adalah penggunaan AR berbasis markerless location-based untuk visualisasi model 3D bangunan secara real-time di lokasi proyek tanpa memerlukan marker fisik. Penelitian ini menggunakan metodologi Multimedia Development Life Cycle (MDLC) yang meliputi enam tahap: konsep untuk menentukan tujuan dan kebutuhan aplikasi, perancangan arsitektur aplikasi dan antarmuka pengguna, pengumpulan data lokasi dan model 3D, pembuatan aplikasi dengan Unity dan fitur location-based AR, pengujian aplikasi untuk memastikan fungsionalitas, dan distribusi aplikasi. Hasil dari penelitian ini berupa aplikasi AR berbasis Android yang mampu memvisualisasikan model 3D bangunan di lokasi fisik menggunakan data GPS, sehingga memfasilitasi promosi dan visualisasi proyek secara interaktif. Pengujian aplikasi mencakup uji fungsionalitas, kinerja, kompatibilitas, user experience, validitas, dan reliabilitas. Hasil pengujian menunjukkan bahwa aplikasi ini efektif dalam meningkatkan pemahaman klien dan pekerja terhadap desain bangunan serta membantu pengambilan keputusan selama proses konstruksi. Aplikasi ini menawarkan solusi inovatif dalam visualisasi, promosi, dan kolaborasi di industri konstruksi.
Abstract
Augmented Reality (AR) technology is increasingly developing and widely applied in various fields, including the construction industry which faces challenges in presenting and visualizing building structures to clients and workers in the field. Traditional visualization methods with static 3D models still have limitations in terms of interactivity, clarity, technical discussion, and promotion of building results. The solution offered in this study is the use of markerless location-based AR for real-time visualization of 3D building models at project sites without the need for physical markers. This study uses the Multimedia Development Life Cycle (MDLC) methodology which includes six stages: (1) concept to determine application goals and needs, (2) design of application architecture and user interface, (3) collection of location data and 3D models, (4) application creation with Unity and location-based AR* features, (5) application testing to ensure functionality, and (6) application distribution. The results of this study are Android-based AR applications that are able to visualize 3D building models at physical locations using GPS data, thus facilitating interactive project promotion and visualization. Application testing includes functionality, performance, compatibility, user experience, validity, and reliability tests. The test results show that this application is effective in improving clients\u27 and workers\u27 understanding of building design and assisting decision-making during the construction process. This application offers innovative solutions in visualization, promotion, and collaboration in the construction industry.Teknologi Augmented Reality (AR) semakin berkembang dan banyak diterapkan di berbagai bidang, termasuk industri konstruksi yang menghadapi tantangan dalam mempresentasikan dan memvisualisasikan struktur bangunan kepada klien dan pekerja di lapangan. Metode visualisasi tradisional dengan model 3D statis masih memiliki keterbatasan dalam hal interaktivitas, kejelasan, diskusi teknis, serta promosi hasil bangunan. Solusi yang ditawarkan dalam penelitian ini adalah penggunaan AR berbasis markerless location-based untuk visualisasi model 3D bangunan secara real-time di lokasi proyek tanpa memerlukan marker fisik. Penelitian ini menggunakan metodologi Multimedia Development Life Cycle (MDLC) yang meliputi enam tahap: konsep untuk menentukan tujuan dan kebutuhan aplikasi, perancangan arsitektur aplikasi dan antarmuka pengguna, pengumpulan data lokasi dan model 3D, pembuatan aplikasi dengan Unity dan fitur location-based AR, pengujian aplikasi untuk memastikan fungsionalitas, dan distribusi aplikasi. Hasil dari penelitian ini berupa aplikasi AR berbasis Android yang mampu memvisualisasikan model 3D bangunan di lokasi fisik menggunakan data GPS, sehingga memfasilitasi promosi dan visualisasi proyek secara interaktif. Pengujian aplikasi mencakup uji fungsionalitas, kinerja, kompatibilitas, user experience, validitas, dan reliabilitas. Hasil pengujian menunjukkan bahwa aplikasi ini efektif dalam meningkatkan pemahaman klien dan pekerja terhadap desain bangunan serta membantu pengambilan keputusan selama proses konstruksi. Aplikasi ini menawarkan solusi inovatif dalam visualisasi, promosi, dan kolaborasi di industri konstruksi.
Abstract
Augmented Reality (AR) technology is increasingly developing and widely applied in various fields, including the construction industry which faces challenges in presenting and visualizing building structures to clients and workers in the field. Traditional visualization methods with static 3D models still have limitations in terms of interactivity, clarity, technical discussion, and promotion of building results. The solution offered in this study is the use of markerless location-based AR for real-time visualization of 3D building models at project sites without the need for physical markers. This study uses the Multimedia Development Life Cycle (MDLC) methodology which includes six stages: (1) concept to determine application goals and needs, (2) design of application architecture and user interface, (3) collection of location data and 3D models, (4) application creation with Unity and location-based AR* features, (5) application testing to ensure functionality, and (6) application distribution. The results of this study are Android-based AR applications that are able to visualize 3D building models at physical locations using GPS data, thus facilitating interactive project promotion and visualization. Application testing includes functionality, performance, compatibility, user experience, validity, and reliability tests. The test results show that this application is effective in improving clients\u27 and workers\u27 understanding of building design and assisting decision-making during the construction process. This application offers innovative solutions in visualization, promotion, and collaboration in the construction industry
Analisis Kualitas Sarang Burung Walet Menggunakan Metode Fuzzy Tsukamoto
Get PDFIndonesia menjadi salah satu negara yang menghasilkan dan mengekspor sarang burung walet terbesar di dunia. Sarang burung walet memiliki banyak sekali manfaat, itu sebabnya tren ekspor sarang burung walet meningkat. Kualitas yang baik dapat mempengaruhi daya saing produk, harga jual, manfaat kesehatan yang dihasilkan, serta kepuasan konsumen. Selama ini pembeli masih melakukan klasifikasi kualitas sarang burung walet secara manual berdasarkan perkiraan pembeli sehingga dapat menimbulkan kesalahan pada saat melakukan penyortiran dan menyebabkan kerugian sehingga menurunkan nilai jual. Logika fuzzy digunakan untuk mengantisipasi hal tersebut karena dapat memberikan toleransi terhadap suatu nilai sehingga perubahan kecil pada nilai tidak akan memberikan dampak yang signifikan. Tujuan penelitian ini menerapkan metode fuzzy tsukamoto untuk menganalisis kualitas sarang burung walet. Data yang digunakan sebanyak 100 data sarang burung walet yang diperoleh pada 16 Oktober 2023. Proses penentuan kualitas sarang burung walet berdasarkan 5 variabel kriteria input yaitu warna, bulu, jenis, kondisi, dan kadar air. Output fuzzy terdiri dari 3 kategori kualitas Sangat Bagus, Bagus, dan Tidak Bagus. Hasil perhitungan fuzzy tsukamoto dengan data aktual terdapat 3 data sarang burung walet berbeda dari 100 data sarang burung walet dengan memiliki nilai akurasi sebesar 97%.
Abstract
Indonesia is a leading global producer and exporter of the largest quantity of swallow\u27s nests. Swallow\u27s nest consumption offers numerous advantages, which explains the growing trend of exporting this valuable commodity. The quality of a product can have a significant impact on its competitiveness, selling price, health benefits, and consumer happiness. Currently, buyers continue to manually assess the quality of swallow nests, relying on their estimations. However, this method is prone to errors throughout the sorting process and can result in financial losses that diminish the overall sales value. We employ fuzzy logic for prediction purposes because it allows for tolerance towards a value, thereby minimising the influence of minor fluctuations in the value. The goal of this study is to use the Tsukamoto fuzzy method to evaluate the quality of swallow nests. The dataset consisted of 100 samples of swallow nests collected on October 16, 2023. The evaluation of swallow nests\u27 quality relies on five input criteria variables, specifically colour, feathers, type, condition, and water content. The fuzzy output comprises three quality categories: very good, sound, and not good. The fuzzy Tsukamoto calculation yielded three distinct samples out of a total of 100, with an accuracy rate of 97%.Indonesia menjadi salah satu negara yang menghasilkan dan mengekspor sarang burung walet terbesar di dunia. Sarang burung walet memiliki banyak sekali manfaat, itu sebabnya tren ekspor sarang burung walet meningkat. Kualitas yang baik dapat mempengaruhi daya saing produk, harga jual, manfaat kesehatan yang dihasilkan, serta kepuasan konsumen. Selama ini pembeli masih melakukan klasifikasi kualitas sarang burung walet secara manual berdasarkan perkiraan pembeli sehingga dapat menimbulkan kesalahan pada saat melakukan penyortiran dan menyebabkan kerugian sehingga menurunkan nilai jual. Logika fuzzy digunakan untuk mengantisipasi hal tersebut karena dapat memberikan toleransi terhadap suatu nilai sehingga perubahan kecil pada nilai tidak akan memberikan dampak yang signifikan. Tujuan penelitian ini menerapkan metode fuzzy tsukamoto untuk menganalisis kualitas sarang burung walet. Data yang digunakan sebanyak 100 data sarang burung walet yang diperoleh pada 16 Oktober 2023. Proses penentuan kualitas sarang burung walet berdasarkan 5 variabel kriteria input yaitu warna, bulu, jenis, kondisi, dan kadar air. Output fuzzy terdiri dari 3 kategori kualitas Sangat Bagus, Bagus, dan Tidak Bagus. Hasil perhitungan fuzzy tsukamoto dengan data aktual terdapat 3 data sarang burung walet berbeda dari 100 data sarang burung walet dengan memiliki nilai akurasi sebesar 97%.
Abstract
Indonesia is a leading global producer and exporter of the largest quantity of swallow\u27s nests. Swallow\u27s nest consumption offers numerous advantages, which explains the growing trend of exporting this valuable commodity. The quality of a product can have a significant impact on its competitiveness, selling price, health benefits, and consumer happiness. Currently, buyers continue to manually assess the quality of swallow nests, relying on their estimations. However, this method is prone to errors throughout the sorting process and can result in financial losses that diminish the overall sales value. We employ fuzzy logic for prediction purposes because it allows for tolerance towards a value, thereby minimising the influence of minor fluctuations in the value. The goal of this study is to use the Tsukamoto fuzzy method to evaluate the quality of swallow nests. The dataset consisted of 100 samples of swallow nests collected on October 16, 2023. The evaluation of swallow nests\u27 quality relies on five input criteria variables, specifically colour, feathers, type, condition, and water content. The fuzzy output comprises three quality categories: very good, sound, and not good. The fuzzy Tsukamoto calculation yielded three distinct samples out of a total of 100, with an accuracy rate of 97%
Klasifikasi Citra Produk Chiffon Cake Dengan Metode K-Nearest Neighbors Dan Grey Level Co-Occurrence Matrix Untuk Quality Control
Get PDFChiffon cake adalah salah satu kue yang populer, dan kepuasan pelanggan sangat dipengaruhi oleh kualitas produk chiffon cake. Oleh karena itu, diperlukan sistem pengendalian kualitas yang efektif untuk mendeteksi chiffon cake yang cacat. Dalam penelitian ini, digunakan metode K-Nearest Neighbors (KNN) sebagai alat klasifikasi untuk mendeteksi produk chiffon cake yang cacat. Tujuan utama penelitian ini adalah membuat model sistem pengendalian kualitas yang dapat mengklasifikasikan chiffon cake secara otomatis ke dalam dua kategori: "lolos" dan "cacat." Sistem ini diharapkan dapat meningkatkan efisiensi proses produksi dan mengurangi kemungkinan produk cacat sampai ke tangan konsumen. Studi ini menggunakan KNN dan Gray Level Co-Occurrence Matrix (GLCM). Metode klasifikasi KNN bergantung pada pemilihan tetangga terdekat data untuk menentukan kategori kelasnya, sedangkan GLCM adalah teknik ekstraksi fitur yang digunakan untuk mengukur tekstur gambar dengan menganalisis hubungan antara dua piksel dalam orde kedua. Untuk melatih model KNN, studi ini menggunakan dataset yang diambil sendiri melalui pemotretan produk chiffon, kemudian diberi label "lolos" dan "cacat." Setelah melatih model, penulis melakukan pengujian dengan data uji untuk mengevaluasi kinerjanya. Hasil penelitian menunjukkan bahwa penerapan KNN memungkinkan pengklasifikasian chiffon cake dengan akurasi 90,4%. Validasi lebih lanjut dengan dataset yang lebih besar dan beragam diperlukan untuk memastikan bahwa model tetap robust dan dapat diandalkan dalam berbagai kondisi produksi.
Abstract
Chiffon cake is one of the popular types of cake, and customer satisfaction is greatly influenced by the quality of the chiffon cake. Therefore, an effective quality control system is necessary to detect defective chiffon cakes. In this research, the K-Nearest Neighbors (KNN) method is used as a classification tool to detect defective chiffon cakes. The main objective of this study is to create a quality control system model that can automatically classify chiffon cakes into two categories: "Pass" and "Not Pass." This model is expected to increase production efficiency and reduce the risk of defective products reaching consumers. This study uses KNN and the Gray Level Co-Occurrence Matrix (GLCM). The KNN classification method determines the class category by selecting the data\u27s nearest neighbors, while GLCM is a feature extraction method that measures image texture by analyzing the correlation between two pixels in the second order. To train the KNN model, this study used a dataset of manually photographed products, labeled as "lolos" and "cacat" After training the model, this study evaluates its performance using test data. The research results showed that the KNN application can classify chiffon cakes with an accuracy of 90.4%. Further validation with larger and more diverse datasets is recommended to enhance the model\u27s robustness and applicability.Chiffon cake adalah salah satu kue yang populer, dan kepuasan pelanggan sangat dipengaruhi oleh kualitas produk chiffon cake. Oleh karena itu, diperlukan sistem pengendalian kualitas yang efektif untuk mendeteksi chiffon cake yang cacat. Dalam penelitian ini, digunakan metode K-Nearest Neighbors (KNN) sebagai alat klasifikasi untuk mendeteksi produk chiffon cake yang cacat. Tujuan utama penelitian ini adalah membuat model sistem pengendalian kualitas yang dapat mengklasifikasikan chiffon cake secara otomatis ke dalam dua kategori: "lolos" dan "cacat." Sistem ini diharapkan dapat meningkatkan efisiensi proses produksi dan mengurangi kemungkinan produk cacat sampai ke tangan konsumen. Studi ini menggunakan KNN dan Gray Level Co-Occurrence Matrix (GLCM). Metode klasifikasi KNN bergantung pada pemilihan tetangga terdekat data untuk menentukan kategori kelasnya, sedangkan GLCM adalah teknik ekstraksi fitur yang digunakan untuk mengukur tekstur gambar dengan menganalisis hubungan antara dua piksel dalam orde kedua. Untuk melatih model KNN, studi ini menggunakan dataset yang diambil sendiri melalui pemotretan produk chiffon, kemudian diberi label "lolos" dan "cacat." Setelah melatih model, penulis melakukan pengujian dengan data uji untuk mengevaluasi kinerjanya. Hasil penelitian menunjukkan bahwa penerapan KNN memungkinkan pengklasifikasian chiffon cake dengan akurasi 90,4%. Validasi lebih lanjut dengan dataset yang lebih besar dan beragam diperlukan untuk memastikan bahwa model tetap robust dan dapat diandalkan dalam berbagai kondisi produksi.
Abstract
Chiffon cake is one of the popular types of cake, and customer satisfaction is greatly influenced by the quality of the chiffon cake. Therefore, an effective quality control system is necessary to detect defective chiffon cakes. In this research, the K-Nearest Neighbors (KNN) method is used as a classification tool to detect defective chiffon cakes. The main objective of this study is to create a quality control system model that can automatically classify chiffon cakes into two categories: "Pass" and "Not Pass." This model is expected to increase production efficiency and reduce the risk of defective products reaching consumers. This study uses KNN and the Gray Level Co-Occurrence Matrix (GLCM). The KNN classification method determines the class category by selecting the data\u27s nearest neighbors, while GLCM is a feature extraction method that measures image texture by analyzing the correlation between two pixels in the second order. To train the KNN model, this study used a dataset of manually photographed products, labeled as "lolos" and "cacat" After training the model, this study evaluates its performance using test data. The research results showed that the KNN application can classify chiffon cakes with an accuracy of 90.4%. Further validation with larger and more diverse datasets is recommended to enhance the model\u27s robustness and applicability
Pengembangan Model Multilayer Classifier Menggunakan Metode Ensemble Learning untuk Grading Brokoli
Get PDFPermintaan brokoli di Indonesia terus meningkat 15% sampai dengan 20% per tahun. Sayangnya supply masih terbatas dan kualitas masih kurang. Untuk menentukan kualitas brokoli diperlukan adanya proses grading yaitu proses pemeringkat brokoli menjadi grade A, B dan C berdasarkan tiga parameter utama yaitu warna, ukuran, dan bentuk. Sayangnya, tidak semua petani memahami mengenai proses grading tersebut. Hal ini menyebabkan kerugian pada petani dan pengusaha brokoli. Penelitian ini bertujuan untuk mengembangkan algoritma grading menggunakan Convolusional neural network (CNN) berdasarkan 2 buah citra yaitu citra kepala brokoli dari tampak atas dan tampak samping. Dataset pada penelitian ini sebesar 600 data. Teknik yang digunakan ialah modifikasi beberapa model deep learning yaitu ResNet50, EfficientNetB2, VGG16 pada bagian layer klasifikasinya, lalu dibandingkan dengan hasil akurasi dari masing-masing outputnya. Penelitian ini juga menggunakan metode ensemble learning dimana menggunakan kombinasi dari 3 fitur berbeda. Fitur warna, ukuran dan bentuk digabungkan pada proses training dan testing untuk melakukan klasifikasi grade brokoli. Pada fase testing digunakan teknik voting untuk pengambilan keputusan grading. Akurasi terbaik ada pada model ResNet50 dengan hasil klasifikasi brokoli sebesar 90% yang didapatkan melalui penggunaan 5 dense layer pada layer klasifikasi, sehingga mampu melebihi hasil akurasi dari beberapa model deep learning lainnya. Algoritma dari penelitian ini menawarkan solusi grading yang lebih objektif dan konsisten dibandingkan sistem manual, sehingga petani dan pengusaha brokoli dalam meningkatkan efisiensi, mengurangi kerugian, dan memastikan kualitas produk yang lebih baik bagi konsumen.
Abstract
The demand for broccoli in Indonesia has been increasing by 15% to 20% annually. However, supply remains limited, and quality control is inadequate. To assess broccoli quality, a grading process is required, classifying broccoli into Grades A, B, and C based on three primary parameters: color, size, and shape. Unfortunately, not all farmers possess sufficient knowledge of this grading process, leading to financial losses for both farmers and broccoli businesses. This study aims to develop a grading algorithm using a Convolutional Neural Network (CNN) based on two images, namely a top-view and a side-view image of a broccoli head. The dataset comprises 600 samples. The methodology involves modifying the classification layers of several deep learning models, namely ResNet50, EfficientNetB2, and VGG16, and comparing their classification accuracy. Additionally, an ensemble learning approach is employed, integrating three distinct features—color, size, and shape—into the training and testing phases for broccoli grading. The voting technique is utilized in the testing phase to enhance decision-making in the grading process. Experimental results indicate that the ResNet50 model achieves the highest classification accuracy at 90%, attributed to the incorporation of five dense layers in the classification stage. This performance surpasses that of other deep learning models. The proposed algorithm provides a more objective and consistent grading system compared to manual methods, enabling farmers and broccoli enterprises to enhance efficiency, reduce financial losses, and ensure higher product quality for consumers.
Permintaan brokoli di Indonesia terus meningkat 15% sampai dengan 20% per tahun. Sayangnya supply masih terbatas dan kualitas masih kurang. Untuk menentukan kualitas brokoli diperlukan adanya proses grading yaitu proses pemeringkat brokoli menjadi grade A, B dan C berdasarkan tiga parameter utama yaitu warna, ukuran, dan bentuk. Sayangnya, tidak semua petani memahami mengenai proses grading tersebut. Hal ini menyebabkan kerugian pada petani dan pengusaha brokoli. Penelitian ini bertujuan untuk mengembangkan algoritma grading menggunakan Convolusional neural network (CNN) berdasarkan 2 buah citra yaitu citra kepala brokoli dari tampak atas dan tampak samping. Dataset pada penelitian ini sebesar 600 data. Teknik yang digunakan ialah modifikasi beberapa model deep learning yaitu ResNet50, EfficientNetB2, VGG16 pada bagian layer klasifikasinya, lalu dibandingkan dengan hasil akurasi dari masing-masing outputnya. Penelitian ini juga menggunakan metode ensemble learning dimana menggunakan kombinasi dari 3 fitur berbeda. Fitur warna, ukuran dan bentuk digabungkan pada proses training dan testing untuk melakukan klasifikasi grade brokoli. Pada fase testing digunakan teknik voting untuk pengambilan keputusan grading. Akurasi terbaik ada pada model ResNet50 dengan hasil klasifikasi brokoli sebesar 90% yang didapatkan melalui penggunaan 5 dense layer pada layer klasifikasi, sehingga mampu melebihi hasil akurasi dari beberapa model deep learning lainnya. Algoritma dari penelitian ini menawarkan solusi grading yang lebih objektif dan konsisten dibandingkan sistem manual, sehingga petani dan pengusaha brokoli dalam meningkatkan efisiensi, mengurangi kerugian, dan memastikan kualitas produk yang lebih baik bagi konsumen.
Abstract
The demand for broccoli in Indonesia has been increasing by 15% to 20% annually. However, supply remains limited, and quality control is inadequate. To assess broccoli quality, a grading process is required, classifying broccoli into Grades A, B, and C based on three primary parameters: color, size, and shape. Unfortunately, not all farmers possess sufficient knowledge of this grading process, leading to financial losses for both farmers and broccoli businesses. This study aims to develop a grading algorithm using a Convolutional Neural Network (CNN) based on two images, namely a top-view and a side-view image of a broccoli head. The dataset comprises 600 samples. The methodology involves modifying the classification layers of several deep learning models, namely ResNet50, EfficientNetB2, and VGG16, and comparing their classification accuracy. Additionally, an ensemble learning approach is employed, integrating three distinct features—color, size, and shape—into the training and testing phases for broccoli grading. The voting technique is utilized in the testing phase to enhance decision-making in the grading process. Experimental results indicate that the ResNet50 model achieves the highest classification accuracy at 90%, attributed to the incorporation of five dense layers in the classification stage. This performance surpasses that of other deep learning models. The proposed algorithm provides a more objective and consistent grading system compared to manual methods, enabling farmers and broccoli enterprises to enhance efficiency, reduce financial losses, and ensure higher product quality for consumers.
Klasterisasi Teks Berita Pemilu untuk Analisis Framing di Kompas.Com
Get PDF
Penelitian ini bertujuan untuk menganalisis framing berita pemilu di Kompas.com dengan mengelompokkan berita berdasarkan pola teks menggunakan algoritma K-Means. Kompas.com sebagai salah satu media online memiliki peran dalam membentuk opini publik pada masa pemilu, namun pendekatan kuantitatif untuk memetakan framing media online masih jarang dilakukan. Penelitian ini akan menerapkan metode klasterisasi untuk menganalisis framing berita. Data dikumpulkan melalui web scarpping dari Juni 2023 hingga Januari 2024, menghasilkan 6.570 berita. Hasil pembobotan kata menggunakan TF-IDF digunakan untuk klasterisasi, dengan jumlah klaster optimal ditentukan oleh elbow method. Hasil klasterisasi menunjukkan framing pemberitaan setiap bulan, yang di evaluasi menggunakan Davies-Boudin Indeks (DBI) dengan menunjukkan hasil klaster yang layak. Analisis framing dilakukan pada klaster dengan data terbanyak tiap bulannya, menggunakan dua dimensi (seleksi isu dan penonjolan aspek), serta empat elemen (framing: define problem, diagnose cause, make moral judgment, dan treatment recommendation). Hasil penelitian menunjukkan bahwa pola framing yang muncul mencerminkan dinamika pemilu, seperti isu koalisi, dukungan calon presiden, serta kontroversi regulasi pemilu. Temuan ini memberikan kontribusi tentang bagaimana media menyajikan berita politik serta memperkuat pentingnya klasterisasi dalam studi framing media.
Abstract
This study aims to analyze the framing of election news on Kompas.com by grouping news based on text patterns using the K-Means algorithm. Kompas.com as one of the online media has a role in shaping public opinion during the election period, but a quantitative approach to mapping online media framing is still rare. This study will apply the clustering method to analyze news framing. Data were collected through web scrapping from June 2023 to January 2024, resulting in 6,570 news items. The results of word weighting using TF-IDF were used for clustering, with the optimal number of clusters determined by the elbow method. The clustering results show news framing each month, which is evaluated using the Davies-Boudin Index (DBI), showing decent cluster results. Framing analysis was carried out on the cluster with the most monthly data, using two dimensions (issue selection and aspect highlighting), and four elements (framing: define problem, diagnose cause, make moral judgment, and treatment recommendation). The study results show that the emerging framing patterns reflect the election dynamics, such as coalition issues, presidential candidate support, and election regulation controversies. These findings contribute to how the media presents political news and strengthen the importance of clustering in media framing studies.
Penelitian ini bertujuan untuk menganalisis framing berita pemilu di Kompas.com dengan mengelompokkan berita berdasarkan pola teks menggunakan algoritma K-Means. Kompas.com sebagai salah satu media online memiliki peran dalam membentuk opini publik pada masa pemilu, namun pendekatan kuantitatif untuk memetakan framing media online masih jarang dilakukan. Penelitian ini akan menerapkan metode klasterisasi untuk menganalisis framing berita. Data dikumpulkan melalui web scarpping dari Juni 2023 hingga Januari 2024, menghasilkan 6.570 berita. Hasil pembobotan kata menggunakan TF-IDF digunakan untuk klasterisasi, dengan jumlah klaster optimal ditentukan oleh elbow method. Hasil klasterisasi menunjukkan framing pemberitaan setiap bulan, yang di evaluasi menggunakan Davies-Boudin Indeks (DBI) dengan menunjukkan hasil klaster yang layak. Analisis framing dilakukan pada klaster dengan data terbanyak tiap bulannya, menggunakan dua dimensi (seleksi isu dan penonjolan aspek), serta empat elemen (framing: define problem, diagnose cause, make moral judgment, dan treatment recommendation). Hasil penelitian menunjukkan bahwa pola framing yang muncul mencerminkan dinamika pemilu, seperti isu koalisi, dukungan calon presiden, serta kontroversi regulasi pemilu. Temuan ini memberikan kontribusi tentang bagaimana media menyajikan berita politik serta memperkuat pentingnya klasterisasi dalam studi framing media.
Abstract
This study aims to analyze the framing of election news on Kompas.com by grouping news based on text patterns using the K-Means algorithm. Kompas.com as one of the online media has a role in shaping public opinion during the election period, but a quantitative approach to mapping online media framing is still rare. This study will apply the clustering method to analyze news framing. Data were collected through web scrapping from June 2023 to January 2024, resulting in 6,570 news items. The results of word weighting using TF-IDF were used for clustering, with the optimal number of clusters determined by the elbow method. The clustering results show news framing each month, which is evaluated using the Davies-Boudin Index (DBI), showing decent cluster results. Framing analysis was carried out on the cluster with the most monthly data, using two dimensions (issue selection and aspect highlighting), and four elements (framing: define problem, diagnose cause, make moral judgment, and treatment recommendation). The study results show that the emerging framing patterns reflect the election dynamics, such as coalition issues, presidential candidate support, and election regulation controversies. These findings contribute to how the media presents political news and strengthen the importance of clustering in media framing studies