JEPIN (Jurnal Edukasi dan Penelitian Informatika)
Not a member yet
363 research outputs found
Sort by
Perbandingan Algoritma Machine Learning dalam Analisis Penyebab Penyakit Gagal Jantung
Full text linkPenyakit gagal jantung meningkat seiring perkembangan jaman dikarenakan maraknya pola hidup yang tidak sehat, tingkat obesitas, dan angka perokok. Gagal jantung adalah kondisi medis yang abnormal pada struktur atau fungsi jantung. Gejala yang biasa dialami oleh penderita meliputi sesak nafas, kelelahan, dan penurunan tingkat aktivitas. Kemajuan teknologi yang sangat pesat dapat membantu dalam menganalisis penyebab penyakit gagal jantung, salah satunya teknologi machine learning yang mampu dalam memprediksi dan mengklasifikasi pasien yang beresiko gagal jantung dan normal. Penelitian ini menggunakan tiga model machine learning dalam analisis penyakit gagal jantung yaitu Decision Tree, Random Forest, dan XGBoost Ketiga model ini sama – sama memiliki fitur yang dapat diterapkan untuk mengetahui penyebab penyakit gagal jantung yaitu feature importance atau tingkat kepentingan karena termasuk dalam tree based model. Data yang digunakan dalam penelitian berjumlah 918 pasien gagal jantung. Dengan menerapkan fitur tersebut, ketiga model menghasilkan ST Slope yaitu kemiringan naik dan turun ST saat berolahraga menjadi variabel tertinggi terhadap resiko penyakit gagal jantung dengan 39% pada model Decision Tree, 22% pada model Random Forest, dan 46% pada XGBoost
Eksplorasi Sentimen Publik terhadap Film ‘Dirty Vote’ melalui Metode Naïve Bayes dan Logistic Regression
Full text linkTahun 2024 merupakan tahun politik bagi masyarakat Indonesia, di mana mereka menggunakan hak pilih untuk menentukan pemimpin pemerintahan selama lima tahun ke depan. Dalam konteks ini, pendidikan politik menjadi sangat penting, terutama bagi warga yang kurang memahami seluk-beluk politik dan proses pemilihan umum. Menyadari pentingnya pemahaman tersebut, sekelompok akademisi menciptakan film berjudul "Dirty Vote" dengan tujuan meningkatkan kesadaran masyarakat mengenai proses pemilu serta meminimalisir potensi pelanggaran.Penelitian ini bertujuan untuk mengevaluasi opini publik terkait film "Dirty Vote" dengan menggunakan dua model klasifikasi, yaitu Naive Bayes dan Logistic Regression. Penelitian ini melibatkan beberapa tahap, mulai dari pengumpulan data melalui scraping komentar dari platform YouTube, preprocessing data, analisis eksploratif (Exploratory Data Analysis), hingga pengujian performa model menggunakan teknik K-fold Cross Validation, serta visualisasi data menggunakan Word Cloud. Dalam penelitian ini, sebanyak 8888 data komentar dianalisis menggunakan teknik pemrosesan bahasa alami untuk mengukur sentimen publik terhadap film tersebut. Hasil analisis menunjukkan bahwa algoritma Naive Bayes mengidentifikasi 91,30% sentimen positif dan 8,70% sentimen negatif, sedangkan algoritma Logistic Regression memberikan hasil yang lebih tinggi, dengan sentimen positif sebesar 95,65% dan negatif sebesar 4,35%. Dari segi performa, Logistic Regression terbukti lebih unggul dengan akurasi mencapai 95,5%, sedangkan Naive Bayes memiliki akurasi sebesar 91,1%. Pengujian performa dilakukan melalui satu kali pengujian penuh serta delapan kali pengujian dalam berbagai kondisi data, dengan evaluasi kinerja menggunakan ROC dan AUC. Hasil penelitian ini menunjukkan bahwa kedua algoritma memberikan evaluasi positif terhadap film "Dirty Vote", dengan Logistic Regression memberikan hasil yang lebih akurat
Otomatisasi Pembentukan Class Diagram dengan Pendekatan Metode Pemrosesan Teks dan Algoritma CombineTF
Full text linkSpesifikasi kebutuhan merupakan bagian penting dalam proses rekayasa kebutuhan perangkat lunak. Spesifikasi kebutuhan menjadi penghubung antara system analyst dan programmer yang akan melakukan pengembangan sistem. Proses rekayasa kebutuhan merupakan pekerjaan yang bersifat time consuming dan membutuhkan effort yang besar bagi analis sistem. Pekerjaan analis untuk melakukan rekayasa kebutuhan dapat lebih efisien atau lebih cepat dengan bantuan tool untuk mengotomatisasi proses rekayasa kebutuhan. Pada penelitian ini dilakukan pengembangan spesifikasi kebutuhan berupa class diagram secara otomatis dari data kebutuhan. Penelitian ini bermanfaat untuk membantu analis dalam melakukan spesifikasi kebutuhan. Spesifikasi kebutuhan yang dihasilkan merupakan pengembangan dari Automatic Requirments Engineering Model (AREM). Pembentukan class diagram dilakukan melalui tiga tahapan yaitu pembentukan class diagram dari data kebutuhan, penanganan duplikasi objek pada diagram, dan refinement class diagram. Pembentukan diagram pada tahap pertama dilakukan dengan menggunakan pendekatan pemrosesan teks, sementara itu penanganan duplikasi objek dilakukan menggunakan pendekatan term-frequency (TF) dan gabungan algoritma CombineTF dan Jaro-Winkler. Penelitian ini menggunakan dataset kebutuhan untuk pengembangan sistem informasi koperasi. Penelitian berhasil mengembangkan model untuk otomatisasi pembentukan class diagram. Hasil penelitian menunjukan bahwa penanganan duplikasi objek pada class diagram mampu mengatasi 62,5% duplikasi objek dengan nilai precision 0,94 dan nilai akurasi 0,97 untuk nilai threshold algoritma ≥ 0.8
Pengolahan Korpus Dataset Audio Bacaan Al-Qur’an Menggunakan Metode Wav2Vec 2.0
Full text linkPengembangan sistem otomasi pengenalan ucapan (Automatic Speech Recognition/ASR) di dalam membaca Al-Qur'an dibutuhkan korpus data audio bacaan Al-Qur'an dan beranotasi dengan transkripsi tekstual agar dapat diproses oleh algoritma machine learning. Pemrosesan Korpus dataset ini dibangun mengingat belum adanya dataset beserta pemrosesanya menggunakan metode tertentu untuk keperluan riset di dalam pengembangan ASR. Paper ini menyajikan kumpulan corpus dataset dan pengolahannya menggunakan metode Wav2Vec 2.0 dengan total 24 ribuan dataset hasil dari rekaman dari 170 santri dengan jenjang umur 4 sampai dengan 16 tahun. Pemrosesan korpus dataset dibuat mengikuti standar metode Wav2Vec 2.0 agar dapat digunakan sebagai data latih pada pemrosesan machine learning. Wav2Vec merupakan model yang dapat mempelajari representasi vektor dari masukan sinyal suara dengan proses pembelajaran self-supervised learning. Wav2Vec juga mampu menangani perbedaan aksen dan karakteristik pembaca Al-Qur'an yang bervariasi dan lebih akurat karena menggunakan deep learning. Dari hasil pengujian menggunakan parameter Precision didapatkan hasil accuracy sebesar 65.52%, precision dengan nilai 0.83 Recall dengan nilai 0.66 dan F1-Score dengan nilai 0.73 serta Word Error Rate (WER) dengan nilai 0.5. Diharapkan dengan adanya pemrosesan korpus dataset ini dapat membantu pengembangan dan riset terkait automasi sistem bacaan Al-Qur'an dengan teknik deep learning dan meningkatkan minat generasi milenial untuk belajar Al-Qur'an dengan memanfaatkan teknologi terkini
Evaluasi dan Perancangan Ulang UI/UX Aplikasi iKalbar Menggunakan Metode Double Diamond
Full text linkiKalbar adalah aplikasi perpustakaan digital berbasis android penyedia E-Book yang dapat dipinjam oleh pemustaka dengan batas waktu tertentu. Penelitian ini memiliki tujuan untuk menghasilkan prototype High-Fidelity design rekomendasi desain UI/UX aplikasi iKalbar dengan menggunakan metode double diamond yang dapat dijadikan bahan pertimbangan Dinas Perpustakaan dan Kearsipan Kalimantan Barat dalam mengembangkan aplikasi iKalbar. Responden penelitian yang dilibatkan pada penelitian ini sebanyak 20 orang dan dibagi menjadi 2 (dua) kelompok yaitu, pengguna baru dan pengguna lama aplikasi iKalbar. Teknik untuk mengevaluasi aplikasi IKalbar menggunakan wawancara, system usability scale (SUS), think aloud dan performance measurement digunakan untuk usability testing. Berdasarkan evaluasi yang dilakukan terhadap desain awal aplikasi iKalbar berhasil ditemukan 28 pain points yang menyebabkan rendahnya nilai efektivitas, efisiensi, dan kepuasan. Perancangan ulang dilakukan berdasarkan 28 pain points dan 9 rekomendasi fitur yang disampaikan oleh responden agar prototipe dapat meningkatkan nilai efektifitas, efisiensi, dan kepuasan. Sehingga pada penelitian ini menghasilkan peningkatakan nilai efektivitas sebesar 10,5% dengan kategori efekfivitas sangat efektif, selanjutnya yaitu kenaikan nilai efisiensi sebesar 0,035 goals/sec serta penurunan time behavior sebesar 359,2 detik yang dimana nilai tersebut masuk kedalam range time behavior yang sangat cepat, dan yang terakhir kenaikan nilai kepuasan sebesar 46 dengan grade A dan dikatakan “Acceptable”
Klasifikasi Hoax Berita Politik Menggunakan Algoritma Long Short-Term Memory (LSTM) dengan Penambahan Fitur Embedding Global Vector (GloVe)
Full text linkBerita online telah berkembang sangat pesat terutama pada waktu yang mendekati pesta politik. Tingginya volume dokumen teks dipicu oleh aktivitas dari berbagai sumber berita. Karena banyaknya jumlah berita yang tertampung ke dalam website, terkadang berita yang diposting tidak sesuai dengan kenyataan atau dapat disebut berita hoax. Deteksi berita hoax menjadi penting agar pengguna tidak terjebak informasi palsu yang terkandung dalam berita hoax. Untuk itu diperlukan sebuah sistem cerdas yang dapat mendeteksi berita hoax bertema politik secara otomatis. Penelitian ini mengevaluasi Teknik deep learning menggunakan LSTM dengan penambahan fitur Word Embedding Global Vector (GloVe) dan membandingkan hasil dari penelitian sebelumnya yang menggunakan beberapa algoritma deep learning tanpa penambahan fitur. Peneliti menggunakan dataset yang terdiri dari 1300 dokumen berita hoax dan 8234 dokumen berita valid. Karena jumlah komposisi antara kelas hoax dan valid tidak seimbang, maka peneliti menerapkan teknik Synthetic Minority Over-Sampling Technique (SMOTE) untuk meningkatkan representasi kelas minoritas. Hasil empiris menunjukan bahwa akurasi klasifikasi dari LSTM dengan fitur tambahan word embedding GloVe didapatkan akurasi sebesar 99.8%, dimana mampu mengungguli hasil penelitian sebelumnya dengan akurasi 95.1% yang tanpa penggunaan word embedding. Peningkatan performa ini tidak lepas dari penambahan fitur word embedding GloVe sebagai inisialisasi bobot untuk lapisan embedding dalam model LSTM, dimana mampu memberikan representasi yang lebih baik pada kata-kata dalam dataset
Knowledge Extraction Using Aspect-Based Sentiment Analysis and Classification Method
Full text linkIn this modern era, the use of technology in various fields of life is growing, especially in the financial sector such as digital payments. Digital payments are transactions made via the internet with various forms or electronic payment applications. This research utilizes one of the e-wallet applications, namely the DANA Application. As one of the digital payment applications, DANA's service quality is an important factor in competing with various e-wallet applications or other competitive digital payment applications, sentiment analysis of massive amounts of incoming review data is needed to understand user perceptions and satisfaction levels in order to help companies in decision making. This research analyzes 69632 user review data from May 1 to June 28, 2024, then classifies reviews into positive, negative, and neutral reviews based on aspects to find out the dominant aspects in the review data, as for the aspects determined in this study are mobile applications, interfaces, service performance, and security. This research compares various classification method algorithms to determine the performance of the model, the comparison results show that the Random Forest algorithm has the best performance of other algorithms studied based on evaluation metrics with accuracy 0.82, precision 0.82, recall 0.82, f1_score 0.82, AUC-ROC 0.92, and Cross Validation Mean Accuracy 0.822. This research is expected to produce useful and computerized knowledge extraction and provide perceptual understanding, user satisfaction, and insight into the most effective algorithms which can then help companies in making decisions in the future
Penerapan Framework COBIT 2019 pada Evaluasi Tata Kelola Teknologi Informasi di Yayasan Pendidikan
Full text linkPenelitian ini bertujuan untuk mengevaluasi tata kelola teknologi informasi di yayasan pendidikan, yaitu Yayasan Bethel Area (YBA) yang menaungi sekolah PAUD Satria Tunas Bangsa. Urgensi penerapan COBIT 2019 pada tata kelola yayasan pendidikan ini adalah dalam kepentingan menghasilkan layanan TI yang lebih sesuai dengan kebutuhan organisasi. Evaluasi menjadi sangat diperlukan karena analisis tata kelola TI yang belum pernah dilakukan dan keadaan yayasan yang menunjukkan adanya kebutuhan organisasi yang tinggi untuk pemanfaatan TI dalam penyelenggaraan pendidikan di masa mendatang. Riset ini menerapkan COBIT 2019 sebagai kerangka kerja. Setelah menyelesaikan tahapan riset menggunakan 11 faktor pada design factor toolkit dan menyebarkan kuesioner sesuai panduan RACI, maka penelitian ini menyimpulkan bahwa YBA perlu memberi perhatian khusus pada tiga layanan tata kelola TI, yaitu pengelolaan program (BAI01), pengelolaan perubahan organisasi (BAI05), dan pengelolaan proyek (BAI11). Kapabilitas pengelolaan program (BAI01) pada YBA berada pada level 2, menunjukkan bahwa proses ini telah mencapai tujuannya melalui penerapan aktivitas dasar, namun aktivitas tersebut telah lengkap. Adapun kapabilitas pengelolaan perubahan organisasi (BAI05) dan pengelolaan proyek (BAI11) masih pada level 1, menjelaskan bahwa kedua proses ini kurang lebih mencapai tujuannya melalui pelaksanaan aktivitas, meskipun belum lengkap, serta masih pada tahapan aktvitas awal dan belum terlalu terorganisir. Untuk meningkatkan kapabilitas layanan pengelolaan program (BAI01) dan pengelolaan proyek (BAI11), rekomendasi untuk yayasan adalah pembentukan fungsi manajemen proyek TI, yang fokus pada operasional TI, serta bertugas menyusun dan membangun infrastruktur tata kelola TI, termasuk didalamnya adalah panduan, standar dan kebijakan. Sedangkan untuk meningkatkan kapabilitas pengelolaan perubahan organisasi (BAI05), saran bagi yayasan adalah mengevaluasi rentang dan implikasi perubahan, mengidentifikasi pihak yang terkena dampak dan tingkat keterlibatan, serta mengidentifikasi faktor eksternal baik itu ancaman maupun peluang
Aplikasi Pendeteksi Tingkat Kematangan Pepaya menggunakan Metode Convolutional Neural Network (CNN) Berbasis Android
Full text linkPepaya merupakan salah satu buah tropis yang memiliki nilai ekonomi tinggi dan memiliki kandungan gizi yang penting bagi kesehatan manusia. Kematangan pepaya sangat mempengaruhi rasa, tekstur, dan nilai jualnya. Oleh karena itu, pengembangan sistem otomatis untuk mendeteksi kematangan pepaya menjadi penting dalam industri pertanian. Dalam penelitian ini, dikembangkan sebuah aplikasi berbasis Android yang menggunakan metode Convolutional Neural Network (CNN) untuk mendeteksi kematangan pepaya secara otomatis. Dataset pepaya yang telah dikumpulkan digunakan untuk melatih model CNN guna mengklasifikasikan pepaya menjadi tiga kategori kematangan, yaitu belum matang, setengah matang, dan matang. Selain itu, aplikasi ini juga menyediakan prediksi masa panen pepaya berdasarkan analisis kematangan. Implementasi pada platform Android memungkinkan akses yang mudah dan cepat bagi petani atau pemilik kebun pepaya untuk memantau kematangan buah pepaya mereka. Hasil eksperimen menunjukkan bahwa model CNN yang diusulkan memiliki tingkat akurasi yang cukup tinggi yaitu sebesar 96.97% dalam mengklasifikasikan kematangan pepaya. Aplikasi ini diharapkan dapat membantu petani dalam mengoptimalkan proses panen dan pengelolaan pepaya secara efisien
Analisis Perbandingan Metode Pengklasifikasi Gambar Jenis Tulisan Kaligrafi Arab
Full text linkKaligrafi Arab atau Khat merupakan suatu ilmu atau seni penulisan yang memodifikasi huruf arab menjadi karya yang memiliki nilai estetika. Kaligrafi Arab memiliki sejarah yang sangat panjang, akan tetapi seiring berjalannya waktu, kini seni ini mulai disepelekan dan hampir dilupakan serta dengan banyaknya variasi jenis khat ini, membedakan jenis khat satu dan lainnya merupakan hal yang sulit bagi orang awam dan hanya dapat dipahami oleh orang yang mempelajarinya secara khusus. Penelitian ini menganalisis perbandingan metode Convolutional Neural Network (CNN) dan Support Vector Machine (SVM) dalam penerapan model untuk melakukan klasifikasi gambar berdasarkan jenis tulisan kaligrafi Arab. Dataset (kumpulan data) yang akan dikumpulkan berupa citra digital yang akan diberi label berdasarkan 6 jenis kaligrafi Arab, yaitu Khat Riq’ah, Khat Diwani, Khat Naskhi, Khat Tsuluts, Khat Farisi, Khat Kufi. Masing-masing jenis khat akan berisi 160 gambar (citra digital), sehingga total gambar (citra digital) yang akan digunakan pada penelitian ini adalah 960 gambar (citra digital). Dataset akan dibagi ke dalam data pelatihan (training set) dan data pengujian (testing set) dengan mengacu pada proporsi 90% dari dataset untuk data pelatihan dan 10% dari dataset untuk data pengujian, sehingga pada penelitian ini akan menggunakan K-Fold Cross Validation dengan nilai k = 10, yaitu akan dilakukan pengujian dan pelatihan sebanyak 10 kali (fold). Pada penelitian ini, proses tuning hyperparameter akan dilakukan saat menerapkan model CNN dan SVM, selanjutnya dilakukan pengujian performa model menggunakan Confusion Matrix pada tiap fold dari pengujian K-Fold Cross Validation. Pada model CNN, diperoleh nilai rata-rata akurasi, presisi, recall, dan skor f1 yang terbaik dengan menggunakan Arsitektur VGG19, optimizer RMSprop, dan nilai epochs = 100, yaitu 94.17%, 94.34%, 94.17%, 94.13%, serta nilai loss 0.5840. Sementara pada model SVM menghasilkan rata-rata akurasi, presisi, recall, dan skor f1 terbaik dengan menggunakan jenis kernel RBF, nilai C = 2, dan nilai gamma = 0.001, yaitu 76.25%, 77.06%, 76.25%, dan 75.87%. Berdasarkan pada hasil tersebut, dapat disimpulkan bahwa kinerja algoritma CNN memberikan performa yang lebih unggul daripada algoritma SVM dalam mengklasifikasikan gambar berdasarkan jenis tulisan kaligrafi Arab