JEPIN (Jurnal Edukasi dan Penelitian Informatika)
Not a member yet
363 research outputs found
Sort by
Perbandingan Naive Bayes dan Gated Recurrent Unit untuk Klasifikasi Keluhan Publik di Kabupaten Sleman
Full text linkPemerintah Kabupaten Sleman, sejak 15 Mei 2016, telah meluncurkan aplikasi bernama 'Lapor Sleman', yang berfungsi sebagai platform untuk mengajukan keluhan masyarakat. Warga menginput data keluhan ke dalam aplikasi 'Lapor Sleman', termasuk kategori keluhan, judul laporan, rincian, serta foto dan koordinat. Seiring waktu, penggunaan media sosial seperti Twitter telah memberikan masyarakat berbagai opsi untuk mengekspresikan keluhannya. Klasifikasi manual dari banyak postingan Twitter oleh manusia telah menjadi tugas rutin yang seharusnya dapat dilakukan secara otomatis oleh mesin. Selain itu, memfasilitasi masyarakat dalam mengajukan keluhan, termasuk klasifikasi keluhan otomatis, adalah sesuatu yang perlu diimplementasikan. Tujuan utama penelitian ini adalah mengevaluasi efektivitas dan akurasi metode Machine Learning (Naive Bayes Classifier) dan Deep Learning (Gated Recurrent Unit) dalam mengkategorikan keluhan masyarakat di Kabupaten Sleman. Tujuan penelitian secara khusus meliputi: (1) Menganalisis dampak hyperparameter Naive Bayes Classifier (NBC) terhadap akurasi selama pelatihan dan implementasi berkas pickle; (2) Menganalisis hyperparameter Gated Recurrent Unit (GRU) terhadap akurasi selama pelatihan dan penggunaan berkas h5 dan pth; (3) Membandingkan kinerja antara metode NBC dan GRU. Dataset pelatihan terdiri dari 5.308 keluhan masyarakat yang dikumpulkan dari aplikasi 'Lapor Sleman'. Hasil menunjukkan keunggulan NBC. Namun, NBC sedikit kurang dalam mencapai akurasi dataset keseluruhan dibandingkan dengan GRU PyTorch. Sebaliknya, GRU di TensorFlow menunjukkan kinerja yang relatif kurang baik, menempati peringkat ketiga dalam sebagian besar aspek. Selain itu, GRU di TensorFlow menunjukkan tanda-tanda overfitting, terlihat melalui penurunan akurasi selama pengujian dengan dataset lengkap
Sistem Manajemen Proyek Pekerja Borongan Berbasis Web menggunakan Metode Job Order Costing
Full text linkPekerja borongan dan proyek saling terkait tanpa dapat dipisahkan, dengan setiap proyek pekerja borongan memiliki karakteristik unik yang dipengaruhi oleh berbagai faktor. Meskipun ada keunikan dalam setiap proyek, tahapan pekerjaan dan penggunaan bahan baku cenderung serupa di seluruh proyek tersebut. Hal tersebut menyebabkan pengulangan perhitungan biaya yang tidak hanya memakan waktu, tetapi juga meningkatkan risiko kesalahan penginputan data dan perhitungan yang seharusnya dapat dihindari. Oleh karena itu, diperlukan sistem manajemen proyek pekerja borongan untuk memudahkan pengguna dalam memanajemen proyek dan menghitung perkiraan biaya yang diperlukan. Metode Job Order Costing diterapkan sebagai pendekatan historis proyek yang memungkinkan pengguna untuk menyusun proyek tanpa perlu memasukkan atau menghitung data yang sama berulang kali. Metode ini juga dapat memudahkan pengukuran profitabilitas dan membandingkan hasil dengan proyek sebelumnya. Fitur utama sistem ini, yaitu template pekerjaan dan template bahan baku, memungkinkan pemetaan yang efisien terhadap proyek-proyek dengan karakteristik yang serupa meskipun memiliki perbedaan biaya. Dengan menggunakan sistem ini, pengguna dapat meningkatkan efektivitas dan efisiensi dalam pengelolaan proyek, sehingga produktivitas ditingkatkan dan risiko kesalahan karena penginputan data berulang dapat dikurangi. Selain itu, pengguna juga dapat melihat proyek pengguna lain yang sudah dipublikasi sebagai informasi dan referensi proyek pengguna kedepannya. Pengguna juga dapat menjadikan sistem ini sebagai fasilitas untuk menujukkan portofolio proyek-proyek yang telah selesai untuk ditunjukkan kepada calon klien pengguna. Setelah dilakukan pengujian terhadap sistem ini menggunakan Black-Box Testing untuk menguji fungsional sistem, didapatkan hasil yang sesuai pada semua skenario pengujian. Adapun pada User Acceptance Testing yang berikan kepada dua kategori responden yaitu pada responden pekerja borongan menghasilkan nilai persentasi sebesar 95% dan pada responden mahasiswa teknologi informasi menghasilkan nilai persentasi sebesar 94.66% yang menyatakan sistem ini sudah sesuai kebutuhan pengguna
Analisa Suasana Belajar Kelas Berdasarkan Deteksi Ekspresi Wajah Menggunakan Deepface
Full text linkEmosi peserta kelas pada pelajaran merupakan salah satu kunci keberhasilan proses belajar mengajar. Perasaan senang dan bisa memahami merupakan hal positif dalam belajar. Sebaliknya perasaan bosan dan tidak tertarik merupakan hal negatif yang dapat menurunkan produktifitas belajar. Emosi yang terjadi pada seseorang dapat terlihat pada ekspresi wajahnya. Demikian halnya pada peserta pelajaran di kelas yang dalam penelitian ini menggunakan objek mahasiswa. Dengan menggunakan metode Deepface-MTCNN dan Deepface-Retinaface dapat dikenali emosi setiap peserta kelas dan menentukan suasana belajar. Dipadukan dengan hasil survey peserta kelas, didapatkan adanya hubungan antara suasana belajar yang dirasakan mahasiswa saat mengikuti kuliah di kelas dengan hasil deteksi ekspresi wajah. Saat peserta kelas merasakan suasana menyenangkan, bisa memahami, sulit memahami, atau tidak menarik terjadi pula perubahan pada ekspresi wajah. Berdasarkan pengujian akurasi deteksi Deepface-Retinaface sebesar 86% dan Deepface-MTCNN sebesar 91%. Untuk analisa korelasi metode Deepface-MTCNN memiliki hasil lebih baik karena memiliki korelasi kuat yang lebih banyak. sebanyak 4 korelasi positif dengan nilai lebih besar dari 0,5 dan 5 korelasi negatif dengan nilai lebih kecil dari -0,5
Pengembangan Microservice Grader pada Online Judge Berbasis Event-Driven Architecture
Full text link Online Judge telah menjadi salah satu platform yang umum digunakan untuk pengujian dan penilaian dalam mata kuliah pemrograman di lingkungan akademis. Namun, di Universitas Tanjungpura, proses penilaian masih dilakukan secara manual oleh dosen, mengakibatkan kerumitan dan potensi kesalahan. Munculnya ide penerapan online judge yang mana untuk menyeselaikan masalah sebelumnya, tapi adanya masalah lanjutan berupa online judge eksternal belum dapat memenuhi beberapa kebutuhan spesifik dari institusi atau pun individu. Dalam rangka mengatasi tantangan ini, penelitian ini berfokus pada pengembangan Microservice Grader pada Online Judge Jurusan Informatika Fakultas Teknik Universitas Tanjungpura yang dapat dikostumisasi sesuai kebutuhan dengan dasar Event-Driven Architecture. Metodologi penelitian yang dilakukan, yaitu identifikasi masalah, studi literatur, pengumpulan data, perancangan sistem, dan perancangan pengujian didasarkan pada prinsip-prinsip Object-Oriented Analysis and Design (OOAD). Hasil yang diperoleh adalah Microservice Grader yang dapat menangani berbagai kasus dengan umpan balik yang berbeda-beda. Hasil pengujian black box didapati keberhasilan sebesar 100% dari pengujian yang disiapkan yaitu sejumlah 38 kasus uji, membuktikan bahwa sistem mampu menangani berbagai kemungkinan kesalahan yang mungkin terjadi selama penggunaan. Selain itu, perbandingan performa antara platform-platform mengungkapkan variasi yang signifikan, tanpa disertakan rincian faktor-faktor yang mempengaruhi. Secara keseluruhan, Microservice Grader menjanjikan kontribusi yang berarti dalam pengembangan sistem Online Judge di Jurusan Informatika Fakultas Teknik Universitas Tanjungpura, dengan potensi untuk meningkatkan efisiensi dan akurasi penilaian
Klasifikasi Covid-19 menggunakan Arsitektur DarkCovidNet pada Citra Radiografi X-ray Dada
Full text linkCovid-19 adalah penyakit severe acute respiratory syndrome. Coronavirus menjadi penyebab gangguan pernapasan dan infeksi paru paru, sehingga dapat menyebabkan kematian. Penyakit Covid-19 sudah tersebar ke seluruh negara termasuk negara Indonesia. Meskipun saat ini, Covid-19 telah mereda namun pencegahan maupun penanganannya tetap dibutuhkan. Oleh karena itu sangat diperlukan alat untuk mendiagnosis penyakit Covid-19 pada X-ray dada. Penggunaan klasifikasi citra berfungsi untuk memproses penggabungan piksel pada suatu citra ke dalam kelompok untuk diinterpretasikan sebagai bentuk properti yang spesifik. Dengan klasifikasi citra, mampu mempermudah pengelompokan individu untuk mewakili fitur kelas citra. Pada penelitian citra radiografi X-ray dada ini, menggunakan multiclass-classification yang terdiri dari 3 kelas yaitu: Covid-19, Normal (No-Findings), dan Pneumonia. Dataset yang diperoleh berjumlah 4.945 citra X-ray. Pertama, dilakukan proses input citra dan resize image. Setelah itu dilakukan pembagian data yaitu 80% sebagai data train dan 20% sebagai data test. Pada proses pelatihan (train) akan menggunakan model DarkCovidNet. Arsitektur yang diusulkan terdiri dari 19 convolutional layer dan 5 maxpooling. Model ini terdapat proses DarkNet (DN). DN terdiri dari proses convolutional, batch normalization dan LeakyReLU. Pada skenario uji coba menggunakan optimasi Adam, reduce learning rate, dan menambahkan 3 hidden layer. Hasil uji coba terbaik terdapat pada uji coba keempat dengan hasil akurasi sebesar 95,85%, F1-score 95,89%, AUC 99,48%. Dengan demikian model DarkCovidNet tersebut sangat bagus dalam melakukan klasifikasi citra X-ray dada
Deteksi Malware Ransomware Menggunakan Deep Neural Network
Full text linkMalware pada perangkat mobile android menjadi sebuah tantangan yang perlu di perhatikan secara khusus. Mengingat akhir-akhir ini banyak kasus kejahatan dalam teknologi informasi dan komunikasi melalui malware. Sebuah malware ini bertujuan untuk mencuri, mengenkripsi, dan menghapus data sensitif kemudian mengubah atau membajak data dari sebuah perangkat pengguna. Oleh karena itu, pada penelitian ini bertujuan untuk mendeteksi malware jenis ransomware melalui system operasi android menggunakan metode deep learning. Metode yang diusulkan pada penelitian ini adalah Deep Neural Network (DNN). Dataset CIC-InvesAndMal2019 akan diujikan ke model hasil dari proses training DNN. Hasil pengujian model DNN menunjukkan bahwa DNN berhasil mendeteksi malware ransomware dengan tingkat akurasi mencapai 96.6 %
Power-Line Road Segmentation Menggunakan Improved Residual Networks
Full text linkPemetaan jalan menjadi komponen penting dalam pengembangan infrastruktur jalan untuk mendukung kebutuhan mobilitas yang semakin kompleks. Pemetaan jalan memiliki cakupan areal yang sangat luas dan pendataannya cukup sulit, namun pemetaan jalan masih dilakukan secara manual. Pemetaan jalan dapat memalui citra satelit, namun karena dilakukan secara manual maka memerlukan waktu yang cukup lama. Dalam perkembangannya dibutuhkan pemetaan jalan secara otomatis salah satunya dengan menggunakan machine learning berdasarkan fitur-fitur dari citra satelit yang telah ditentukan. Namun pengambilan fitur atau informasi yang diperoleh dari citra satelit memiliki kendala yang cukup sulit untuk diatasi, antara lain persamaan warna dan bentuk yang mempunyai kemiripan. Oleh karena itu pada penelitian ini diajukan metode deep learning berbasis U-Net dengan susunan residual block untuk mengatasi permasalahan tersebut. Data yang digunakan pada penelitian ini adalah Massachusetts Road Dataset berupa data citra satelit beresolusi tinggi. Pemetaan jalan dilakukan dengan menggunnakan metode Improved Residual Networks. Hasil pengujian model menunjukkan nilai Precision 81.6%, Recall 77.9%, Accuracy 98.1%, dan F1-score 79.7%. Kinerja tersebut lebih baik dari sejumlah penelitian sebelumnya
Metode Hybrid-DPSO dan Clustering untuk Rekomendasi Rute Perjalanan Wisata Berbasis Mobile Android
Full text linkDi dalam suatu tur perjalanan wisata terdapat beberapa lokasi wisata yang akan dikunjungi. Penentuan urutan lokasi wisata yang akan dikunjungi akan menentukan total waktu lamanya perjalanan wisata yang ditempuh dan akan semakin kompleks apabila jumlah lokasi wisata yang akan dikunjungi semakin banyak dan dilakukan selama beberapa hari. Pengelola perjalanan wisata harus menentukan rencana perjalanan wisata dengan matang agar dapat memaksimalkan waktu di tempat wisata. Di sisi lain, metode heuristik particle discrete swarm optimization (DPSO) dan genetic algorithm (GA) merupakan metode yang sering digunakan menyelesaikan kasus vehicle routing problem (VRP) yang identik dengan pencarian solusi rute perjalanan terpendek. Sedangkan, metode clustering K-Means dapat digunakan untuk mengelompokkan titik-titik lokasi wisata menjadi beberapa kelompok berdasarkan jumlah hari berwisata. Oleh karena itu, dengan menggunakan metode heuristik dan metode clustering tersebut, maka pengelompokan tempat wisata dan waktu yang ditempuh dalam perjalanan wisata dapat diminimalkan sehingga waktu yang dihabiskan di tempat wisata menjadi lebih panjang. Metode hybrid tersebut kemudian diimplementasikan ke dalam aplikasi mobile android sebagai media rekomendasi rute perjalanan. Hasil pengujian menunjukkan bahwa metode hybrid-DPSO dapat merekomendasikan rute yang lebih optimal jika dibandingkan dengan rute wisata yang sering digunakan oleh agen wisata dengan nilai 2-13%
Sistem Rekomendasi Lowongan Pekerjaan Menggunakan Content-Based Filtering
Full text linkPada era digital dan globalisasi saat ini, transformasi teknologi informasi telah mengubah lingkup pencarian pekerjaan, dengan platform online seperti LinkedIn menjadi alat utama bagi pencari kerja dan perusahaan. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi pekerjaan menggunakan metode content-based filtering, yang mencocokkan profil pencari kerja dengan lowongan pekerjaan berdasarkan karakteristik dan preferensi individu. Data diperoleh melalui web scraping dari situs JobStreet untuk data lowongan pekerjaan dan LinkedIn untuk data pencari kerja, meliputi 437 data lowongan pekerjaan dan 100 data profil pencari kerja. Proses analisis melibatkan preprocessing text, pembobotan kata dengan TF-IDF, dan perhitungan cosine similarity untuk menentukan tingkat kemiripan antar dokumen. Hasil pengujian menunjukkan bahwa sistem rekomendasi yang dikembangkan dapat memberikan rekomendasi yang relevan dengan rata-rata nilai presisi sebesar 0.53. Pengujian fungsionalitas dengan metode blackbox testing menghasilkan kinerja sistem yang sesuai dengan fungsinya. Penelitian ini menyimpulkan bahwa pendekatan content-based filtering efektif dalam menciptakan rekomendasi pekerjaan yang sesuai dengan latar belakang dan keterampilan pencari kerja, memberikan solusi praktis bagi mereka dalam menemukan pekerjaan yang relevan serta mengurangi ketidaksesuaian antara kualifikasi individu dan kebutuhan pasar kerja
Perbandingan Fungsi Aktivasi Untuk Meningkatkan Kinerja Model LSTM Dalam Prediksi Ketinggian Air Sungai
Full text linkSungai Kapuas memegang peran esensial dalam dinamika ekonomi masyarakat di Kota Pontianak, memberikan kontribusi signifikan dalam sektor transportasi, pertanian, serta pengelolaan tata air dan mitigasi banjir. Meskipun begitu, Sungai Kapuas juga memberikan tantangan serius terkait banjir yang kerap terjadi. Wilayah sepanjang Sungai Kapuas secara resmi ditetapkan sebagai Wilayah Sungai Strategis Nasional, menandakan pentingnya peran ekosistem sungai ini dalam konteks strategis nasional. Penelitian ini mengeksplorasi penerapan metode Long Short-Term Memory (LSTM) dengan berbagai fungsi aktivasi untuk memprediksi ketinggian air Sungai Kapuas. Dua belas jenis fungsi aktivasi, termasuk Sigmoid , Tanh, Hard Sigmoid , ELU, Exponential, GELU, Mish, ReLU, SELU, Swish, Softplus, dan Softsign, dievaluasi menggunakan lima metrik kinerja, yaitu Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Nash–Sutcliffe Efficiency (NSE), Pearson Correlation Coefficient (PCC), dan Kling-Gupta Efficiency (KGE). Data yang digunakan merupakan data ketinggian air Sungai Kapuas hasil observasi tiap jam dari Stasiun Meteorologi Maritim Pontianak selama periode 2016 hingga 2022. Hasil evaluasi menunjukkan bahwa fungsi aktivasi ReLU memberikan kinerja terbaik dengan nilai r, NSE, KGE, MAE, dan RMSE secara berurutan sebesar 0.990594, 0.981103, 0.988685, 3.78747, dan 5.2546