JEPIN (Jurnal Edukasi dan Penelitian Informatika)
Not a member yet
363 research outputs found
Sort by
Prediksi Pola Keuangan pada Pasar Saham Bursa Efek Indonesia Menggunakan Algoritma Support Vector Machine For Regression (SVR)
Full text linkDi era modern perdagangan saham yang dinamis, penggunaan algoritma Support Vector Machine Regression menjadi perhatian utama bagi para investor dan trader. Penelitian ini bertujuan untuk menganalisis cara kerja algoritma dalam memprediksi pola pasar saham menggunakan Support Vector Machine Regression. Metode penelitian yang digunakan adalah Support Vector Regression dengan kernel Radial Basis Function. Hasil penelitian menunjukkan tingkat akurasi yang baik, dengan Mean Absolute Percentage Error (MAPE) sebesar 6,04%. Hal ini menunjukkan bahwa model ini efektif dalam memprediksi pergerakan harga saham di Bursa Efek Indonesia. Sebaliknya, penggunaan kernel Linear dan Polynomial tidak memberikan hasil yang memuaskan, dengan tingkat kesalahan yang cukup signifikan, masing-masing sebesar 16,32% dan 22,47%. Bahkan, kernel Sigmoid menunjukkan tingkat kesalahan yang sangat tinggi, yaitu MAPE sebesar 808,46%, yang mengindikasikan bahwa model ini tidak cocok untuk prediksi harga saham. Penelitian ini berkontribusi dengan menunjukkan bahwa penggunaan Support Vector Regression dengan kernel Radial Basis Function dapat memberikan hasil prediksi yang akurat dalam konteks pergerakan harga saham. Kontribusi utama terletak pada pemahaman lebih lanjut mengenai efektivitas model Support Vector Regression dalam prediksi di pasar saham Indonesia, yang memberikan manfaat signifikan bagi investor, perusahaan keuangan, pemerintah, dan masyarakat
Optimasi Klasifikasi Sentimen Menggunakan Random Forest dengan Preprocessing K-Means Clustering dan SMOTE
Full text linkSalah satu topik penelitian terkini dalam bidang pengolahan informasi adalah opinion mining atau analisis sentimen dimana didalamnya terdapat pekerjaan utama yaitu klasifikasi sentimen pada data teks. Penelitian ini bertujuan mengoptimalkan proses klasifikasi sentimen dengan mengatasi tantangan-tantangan umum seperti ketidakseimbangan kelas dan kualitas data input dengan mengusulkan metode baru untuk meningkatkan kinerja mesin klasifikasi yang digunakan. Data yang digunakan untuk mengevaluasi metode yang diusulkan adalah satu topik yang diperbincangkan di media sosial Twitter yaitu terkait kebijakan peralihan mobil listrik di Indonesia. Jumlah data yang dikumpulkan adalah tweet berbahasa Indonesia dimulai pada tanggal 01 Januari 2019 hingga 27 Februari 2023 dengan jumlah data yang diperoleh adalah 7.745 data tweet. Penelitian ini mengikuti model penelitian data science CRISP-DM, dimulai dengan observasi topik, pengumpulan data, pelabelan, dan preprocessing data. Data yang telah diberi label dibagi menjadi data train dan data test, kemudian melalui tahap ekstraksi fitur menggunakan TF-IDF (Term Frequency-Inverse Document Frequency). Model Random Forest diterapkan untuk klasifikasi sentimen, dan teknik SMOTE (Synthetic Minority Over-sampling Technique) digunakan untuk menangani ketidakseimbangan kelas. Hasil eksperimen menunjukkan bahwa kombinasi preprocessing K-Means Clustering dan SMOTE secara signifikan meningkatkan kinerja model klasifikasi sentimen. Model Random Forest menghasilkan akurasi sebesar 98,47% dengan 5-fold cross validation, dan setelah penambahan teknik SMOTE, akurasi meningkat menjadi 99,55%
Sistem Rekomendasi Topik Skripsi Program Studi Informatika
Full text linkSalah satu syarat kelulusan kuliah adalah lulus skripsi. Pada skripsi, mahasiswa perlu menentukan topik skripsi. Penentuan topik adalah hal yang penting pada skripsi, karena topik yang tepat akan mengurangi kendala dalam membuat skripsi [1]. Penulis melakukan analisa terhadap persentase nilai E pada nilai mata kuliah seminar dan skripsi. Hasil analisis menunjukan terdapat 21.6% dari 351 mahasiswa seminar yang mendapat nilai E dan 61.25% dari 240 mahasiswa yang belum dapat lulus skripsi. Hal tersebut menunjukan mahasiswa belum siap mengerjakan skripsi. FTI UKDW (Fakultas Teknologi Informasi Universitas Kristen Duta Wacana) ingin membuat sistem rekomendasi topik skripsi agar mahasiswa dapat memilih topik skripsi dengan tepat. Hasil penelitian, menunjukan sistem rekomendasi topik skripsi dapat dibuat menggunakan kombinasi K-Means++, cosine similarity, dan LDA Gibbs sampling. Sistem diimplementasikan pada framework Laravel
Perbedaan Tingkat Usability Heuristics Evaluation pada Learning Management System Berdasarkan Latar Belakang Pengguna
Full text linkPerkembangan teknologi yang cukup pesat banyak memberikan manfaat kepada masyarakat di berbagai bidang. Salah satu bentuk pemanfaatan teknologi tersebut adalah penggunaan Learning Management System (LMS), sebuah perangkat lunak pendukung kegiatan belajar-mengajar secara daring. Agar nyaman digunakan, LMS perlu dirancang dengan mempertimbangkan aspek usability sesuai dengan latar belakang calon penggunanya. Oleh karena itu, penelitian ini bermaksud menyelidiki perbedaan persepsi tingkat usability LMS berdasarkan latar belakang penggunanya, yaitu: gender, angkatan (tahun masuk perguruan tinggi), dan frekuensi penggunaan LMS. Penelitian ini menerapkan metode kuantitatif. Desain penelitian yang digunakan adalah penelitian survey dengan teknik pengumpulan data menggunakan kuesioner. Instrumen yang dipakai adalah Usability Heuristics Evaluation. Pengumpulan data dilakukan pada dua perguruan tinggi (PT) negeri di Yogyakarta, masing-masing dilakukan sebanyak dua tahap. Analisis data pada penelitian ini menggunakan analisis statistik deskriptif. Hasil yang didapatkan pada penelitian ini adalah secara umum: i) perempuan cenderung memberikan penilaian tingkat usability LMS yang lebih tinggi dibanding laki – laki; ii) mahasiswa angkatan yang lebih muda cenderung memberikan penilaian tingkat usability LMS yang lebih tinggi dibanding seniornya; iii) pengguna yang lebih sering memakai LMS cenderung memberikan penilaian tingkat usability LMS yang lebih tinggi dibanding mereka yang lebih jarang memakai
Klasifikasi Kematangan Buah Sawit Berdasarkan Fitur Warna, Bentuk dan Tekstur Menggunakan Algoritma K-NN
Full text linkKelapa sawit merupakan tanaman perkebunan yang menghasilkan CPO (Crude Palm Oil). Kadar CPO dipengaruhi oleh tingkat kematangan buah sawit. Pemanfaatan teknologi dalam melakukan klasifikasi untuk membantu proses memanen buah sawit telah dilakukan beberapa penelitian sebelumnya. Penerapan algoritma klasifikasi seperti SVM, K-Mean Clustering dan Backpropagation telah dilakukan dan mendapatkan hasil yang berbeda-beda. Pada penelitian ini klasifikasi Ekstraksi ciri fitur warna, bentuk dan tektur dilakukan untuk membandingkan pilihan fitur terbaik. Pemilihan fitur ini dilakukan untuk memilih fitur terbaik yang mampu melakukan klasifikasi kematangan buah sawit menggunakan Algoritma K-Nearest Neigbhors. Dimensi citra yang mempengaruhi dalam klasifikasi membuat peneliti melakukan pembuktian dalam pemilihan fitur yang tepat dalam klasifikasi ini. Fitur warna yang digunakan dalam penelitian ini adalah nilai Mean RGB, Standar Deviasi RGB, Entropy RGB dan Skenewss RGB. Fitur Bentuk yang digunakan nilai area, metriks, perimeter, mayor axis, minor axis dan nilai eccentricity. Fitur tektur yang digunakan nilai Mean Greyscale, Standar Deviasi Greyscale, contrast, correlation, energy dan homogeneity. Data yang digunakan dalam penelitian ini adalah sebanyak 230 citra terbagi kedalam 200 citra latih 100 citra matang, 100 citra mentah. Data uji digunakan sebanyak 30 citra yaitu 15 matang dan 15 citra mentah. Hasil klasifikasi terbaik dalam penelitian ini adalah penerapan pada fitur Warna dengan K = 1, 3, 4, 5 dan 7 sebesar 96.6%, fitur Tektur dengan K = 6 sebesar 66% dan fitur Bentuk dengan K = 1 sebesar 73.3%
Antropometri Digital Suku Dayak, Melayu, dan Tionghoa Kalimantan Barat Berbasis Image Processing
Full text linkKalimantan Barat merupakan daerah yang didiami oleh banyak suku bangsa dengan ketiga suku bangsa terbanyak adalah Dayak, Melayu, dan Tionghoa. Setiap suku bangsa memiliki dimensi tubuh yang berbeda-beda. Pengukuran dimensi tubuh atau antropometri umumnya dilakukan secara manual dengan menggunakan bantuan jangka sorong, mistar, dan pita meteran. Pengumpulan data antropometri untuk ketiga suku bangsa tersebut dari sejumlah banyak orang tentunya dapat dilakukan walaupun memerlukan waktu yang cukup lama. Pengumpulan data antropometri secara cepat serta efektif dan efisien dapat dilakukan dengan menggunakan antropometri digital berbasis image processing. Pengumpulan data antropometri menggunakan image processing dapat dilakukan dengan mengambil gambar dari objek penelitian menggunakan sebuah kamera. Gambar tersebut kemudian akan diolah menggunakan bahasa pemrograman Python dan dengan library OpenCV. Gambar terlebih dahulu akan dilabeli dengan sebuah bentuk melalui tahapan shape creation dan hasil bentuk yang dibangun kemudian dideteksi menggunakan object detection. Kemudian dilakukan perhitungan sistem dengan menggunakan koefisien pengali yang telah diperoleh melalui perhitungan titik acuan. Diperoleh akurasi program pengukuran antropometri digital adalah 98,66% dan tingkat error 0,99 cm. Berdasarkan hasil pengumpulan data diperoleh bahwa setiap suku bangsa memiliki karakteristik dimensi tubuh yang berbeda. Penggunaan antropometri digital dapat mengumpulkan data antropometri secara akurat dan cepat
Model Meta Ensemble dan Deep Learning untuk Prediksi Emiten LQ45
Full text linkLQ (Liquid) 45 merupakan indeks saham yang berisi 45 emiten yang dipilih berdasarkan pertimbangan likuiditas dan kapitalisasi pasar, dengan kriteria-kriteria sebagai berikut: telah tercatat di BEI minimal 3 bulan, aktivitas transaksi di pasar reguler yaitu nilai, volume, dan frekuensi transaksi, jumlah hari perdagangan di pasar reguler, kapitalisasi pasar pada periode waktu tertentu, dan keadaan keuangan dan prospek pertumbuhan perusahaan tersebut. Dengan mengetahui emiten-emiten yang akan masuk ke dalam indeks LQ 45, para investor akan sangat terbantu dalam merencanakan portofolio mereka di masa yang akan datang. Penelitian ini bertujuan membangun model prediksi bagi emiten-emiten yang akan masuk ke dalam LQ 45. Dataset terdiri dari ringkasan saham semua emiten dari 1 Februari 2015 sampai dengan Januari 2022 dan daftar emiten-emiten yang masuk ke dalam LQ 45 dari periode Agustus 2015-Januari 2016 sampai dengan Februari 2022-Juli 2022. Indeks LQ 45 sendiri diperbaharui setiap 6 bulan sekali; oleh karena itu, dalam penelitian ini model prediksi per 6 bulan dibentuk dan dilatih dengan 4-fold cross-validation. Model-model prediksi, yaitu HIVE-COTE 2.0, ROCKET, multi-layer perceptron, stacking recurrent neural networks, dan bi-directional recurrent neural networks memberikan hasil bahwa HIVE-COTE 2.0 HIVE-COTE 2.0 memberikan kinerja terbaik dalam precision, yaitu keunggulan sekitar 9% daripada model-model lainnya dalam memprediksi emiten-emiten jika kriteria yang dipertimbangkan adalah mengurangi false positive. Jika kriteria yang diutamakan adalah menjaga keseimbangan antara mengurangi false positive dan false negative, maka model multi-layer perceptron dengan banyak neuron yang cukup besar (512) juga memberikan F1 score yang lebih tinggi 9% daripada model-model lain dalam memprediksi emiten-emiten yang akan masuk LQ 45
Deteksi Objek menggunakan Deep Learning untuk Mengetahui Tingkat Kerumunan Mahasiswa
Full text linkPenyebaran Covid 19 varian Delta di Kota Semarang pada bulan Juni – November 2021 mengakibatkan terjadinya kembali lonjakan. Hal ini menjadi pertimbangan Dinas Kesehatan terkait pembelajaran tatap muka (PTM) terbatas. Universitas Semarang (USM) yang memiliki mahasiswa terbanyak di Kota Semarang dengan jumlah mahasiswa terdaftar sejumlah 21644. Banyaknya mahasiswa yang dimiliki USM akan sangat rentan terjadinya pelanggaran protokol kesehatan dilingkungan universitas seperti adanya kerumunan mahasiswa. Salah satu yang dapat dilakukan dalam pencegahan yaitu deteksi objek untuk menentukan kerumunan menggunakan teknologi deep learning. Penerapan deep learning pada model pendeteksi objek menggunakan metode Convolutional Neural Network (CNN) berfungsi untuk melakukan ekstraksi fitur ciri objek yang tertangkap kamera, lalu akan disimpan sebagai fitur ciri objek. Setelah fitur disimpan, model melakukan pendeteksian dan menghitung banyaknya objek pada citra yang ditangkap untuk menentukan tingkat kerumunan mahasiswa. Model yang dibangun secara keseluruhan memiliki F1-Score 0.91 yang berarti kegagalan False Negative maupun False Positive tidak berbeda jauh. Model deteksi ini mampu melakukan penghitungan obyek manusia dengan MAPE 17% dan RMSE 2.68
Sistem Penentuan Penerima Bantuan KIP Kuliah dengan Menggunakan Metode MOORA (Studi Kasus: Universitas Tanjungpura)
Full text linkSetiap individu memiliki kesempatan yang setara untuk dapat melanjutkan pendidikannya menuju ke jenjang perkuliahan, oleh karena keterbatasan biaya, tidak semua orang dapat berkuliah di tempat yang diinginkan, salah satu program bantuan yang diberikan oleh pemerintah dalam penanganan biaya kuliah adalah bantuan Kartu Indonesia Pintar Kuliah (KIP-K). Program KIP-K merupakan salah satu pilihan bantuan dalam penanganan biaya pendidikan yang diberikan kepada calon mahasiswa dengan tingkat perekonomian rendah yang berada di Universitas Tanjungpura. Akan tetapi, dikarenakan banyaknya calon mahasiswa yang mendaftar untuk mendapatkan bantuan program KIP-K, sehingga menyebabkan jumlah pendaftar melebihi dari kuota yang diberikan, dan dengan adanya faktor penilaian yang rumit untuk dapat diukur kepada masing-masing pendaftar, maka diperlukan suatu sistem pendukung keputusan dengan menggunakan algoritma perhitungan MOORA sebagai metode perhitungan. Hal ini dilakukan agar pemberian bantuan KIP-K diberikan kepada mahasiswa dengan tepat, sehingga bantuan yang diterima oleh setiap mahasiswa dapat digunakan sebaik mungkin. Kesimpulan pada penelitian ini adalah ketika menggunakan sistem dalam menentukan pemberian bantuan KIP-K kepada para calon mahasiswa UNTAN, dapat dihasilkan perangkingan dari mahasiswa yang paling layak hingga kurang layak untuk menerima bantuan KIP-K. Dari data penelitian sebanyak 30 sampel, diperoleh hasil dengan mahasiswa yang memiliki kode alternatif A4 meraih nilai akhir tertinggi sebesar 0.138783, sedangkan mahasiswa dengan nilai terendah dimiliki oleh kode alternatif A3 dengan nilai sebesar 0.019263
Case Study of Inventory Management for Biology Laboratory Materials using ERP System
Full text linkEfficient inventory management is essential for biology laboratories to ensure the availability of materials for research and experiments. This case study explores the implementation of an Enterprise Resource Planning (ERP) system for inventory management in a biology laboratory. The objective is to enhance inventory control, streamline processes, and improve overall efficiency. The ERP system was implemented to address inventory management challenges and improve the accuracy and transparency of material tracking. The study assessed the impact of the ERP system on inventory control, procurement processes, and decision-making related to material planning. The findings of the case study demonstrate the benefits of implementing an ERP system for inventory management in a biology laboratory. The system provided real-time visibility of stock levels, enabling efficient tracking and monitoring of laboratory materials. It also automated procurement processes, reducing manual errors and streamlining the procurement cycle. The ERP system facilitated informed decision-making through data analytics, aiding in material planning and resource allocation. The successful implementation of the ERP system in the biology laboratory serves as a model for other similar laboratories seeking to enhance their inventory management practices. The case study emphasizes the significance of leveraging technology, such as ERP systems, to optimize inventory control and improve operational efficiency. The benefits include improved accuracy, reduced wastage, and increased productivity. This case study contributes to the existing knowledge on inventory management for biology laboratory materials and provides practical insights for organizations considering the implementation of an ERP system