JEPIN (Jurnal Edukasi dan Penelitian Informatika)
Not a member yet
363 research outputs found
Sort by
Perbandingan Performansi Support Vector Machine (Svm) dan Backpropagation untuk Klasifikasi Studi Mahasiswa Undiksha
Full text linkKelulusan mahasiswa tepat waktu merupakan salah satu tujuan dalam setiap universitas, tidak terkecuali Universitas Pendidikan Ganesha. Permasalahan ketidaklulusan mahasiswa tepat waktu tidak hanya akan menimbulkan permasalahan bagi mahasiswa tersebut, tetapi juga pada akreditasi kampus. Langkah preventif dapat dilakukan dengan mengidentifikasi mahasiswa yang berpotensi studinya mengalami masalah. Solusi ini dapat dilakukan dengan membuat model machine learning yang dapat mengklasifikasikan apakah seorang mahasiswa terindikasi bermasalah atau tidak. Pada penelitian ini, kinerja model SVM dan Backpropagation akan dibandingkan. Penelitian ini menggunakan sejumlah 4100 instances dengan features seperti indeks prestasi semester dari semester satu sampai enam, IPK, jumlah satuan kredit semester dari semester satu sampai enam, SKS komulatif, nominal UKT, penghasilan orang tua, dan asal daerah mahasiswa. Terdapat tiga buah percobaan untuk proporsi pembagian dataset dengan proporsi pembagian dataset terbaik pada 90%:10% dan nilai k=4 untuk K-Fold Cross Validation. Model SVM dengan kernel polinomial memberikan performa terbaik dengan akurasi 97%, begitu pula dengan model Backpropagation yang menggunakan fungsi aktivasi sigmoid memiliki performa terbaik pada akurasi 97%. Sehubungan dengan perbandingan hasil Confusion Matrix serta kurva AUC, model Backpropagation menujukkan performa yang sedikit lebih unggul daripada model SVM. Pada proses pembuatan model, arsitektur serta parameter-parameter pada model harus diperhatikan agar model terbaik dapat dihasilkan.
Evaluasi Kinerja Internet Kampus Universitas Tanjungpura dengan Analisis Quality of Service dan User Acceptance Test
Full text linkPaper ini membahas tentang evaluasi kualitas layanan internet di Universitas Tanjungpura. Penulis menggunakan dua metode analisis, yaitu Quality of Service (QoS) dan User Acceptance Test (UAT) untuk mengukur kinerja internet di kampus Universitas Tanjungpura. Pada analisis QoS, penulis mengukur beberapa parameter kinerja internet, seperti throughput, delay, packet loss, dan jitter, untuk setiap fakultas di kampus. Hasil analisis menunjukkan bahwa throughput tertinggi berada di Fakultas Teknik (FT) dengan nilai rata-rata 87,90 MB, sementara delay dan packet loss terendah terdapat di Fakultas Ekonomi dan Bisnis (FEB) dengan nilai rata-rata 0,16 ms dan 0,00% secara berturut-turut. Sementara itu, pada analisis UAT, penulis melakukan survei terhadap mahasiswa untuk mengetahui penggunaan internet di kampus dan kepuasan mereka terhadap layanan internet yang disediakan. Hasil survei menunjukkan bahwa mayoritas mahasiswa menganggap internet di kampus memadai dan lancar, serta sering digunakan untuk belajar dan mengakses media sosial
Pengembangan Aplikasi Evaluasi Tingkat Penguasaan Praktikum Aircraft Electrical Berbasis Fuzzy Expert System Stand Alone Application
Full text linkPenelitian ini dilatarbelakangi oleh kebutuhan akan sebuah aplikasi yang dapat mengevaluasi tingkat penguasaan praktik siswa. Tujuan penelitian adalah menghasilkan aplikasi untuk kebutuhan evaluasi tingkat penguasaan praktik siswa, yang dapat dioperasikan tanpa harus menjalankan aplikasi editor utama terlebih dahulu. Metode penelitian yang digunakan adalah penelitian pengembangan dengan tahapan 4D. Batasan masalah penelitian terletak pada pengembangan aplikasi hanya untuk pengolahan nilai praktik siswa kelas XI jurusan Electrical Avionics pada mata pelajaran Aircraft Electrical. Berdasarkan pengembangan yang dilakukan, aplikasi dapat dijalankan tanpa harus menjalankan aplikasi editor utama terlebih dahulu, mampu memproses input dan mengeluarkan output, serta dapat mencetak tangkapan layar aplikasi. Melalui pemrosesan data nilai-nilai praktik siswa, didapatkan hasil bahwa tingkat penguasaan praktik siswa menggunakan aplikasi (TPF) adalah 75% - 80%. Berbeda halnya dengan tingkat penguasaan praktik siswa bermetode manual (TPM) adalah 80% s/d 87%. Walaupun terdapat perbedaan hasil antara 2 cara tersebut, hubungan antara TPF dan TPM adalah kuat. Uji korelasi Spearmen menunjukkan, nilai korelasi antara TPF dan TPM adalah 0,609 (60,9%) dan berkategori βtinggiβ. Hal ini menunjukkan bahwa aplikasi yang telah dibangun mampu menentukan tingkat penguasaan praktikum siswa. Akan tetapi, untuk menyatakan apakah aplikasi layak digunakan dalam skala kecil maupun skala besar, masih diperlukan penelitian dan pengembangan lebih lanjut, seperti uji validasi oleh ahli dan uji penerimaan oleh pengguna. Sehingga diharapkan kedepannya, aplikasi tersebut siap didistribusikan secara luas dan dimanfaatkan oleh berbagai sekolah yang memiliki jurusan Electrical Avionic dalam mengevaluasi kemampuan praktik siswa-siswanya. Evaluasi berdampak signifikan dalam meningkatkan kualitas dan mutu pembelajaran
Implementasi Algoritma Aho-Corasick pada Pencarian di Aplikasi Lost and Found
Full text linkPencarian informasi yang efisien dan akurat merupakan tantangan dalam pengembangan aplikasi Lost and Found. Penelitian ini mengeksplorasi implementasi algoritma Aho-Corasick pada sistem pencarian di aplikasi Lost and Found. Algoritma Aho-Corasick, sebuah algoritma pencarian string efisien, digunakan untuk meningkatkan kinerja dan ketepatan pencarian objek yang hilang. Penelitian ini berfokus pada desain dan implementasi algoritma Aho-Corasick dalam pengembangan fitur pencarian di aplikasi Lost and Found. Pertama, studi dilakukan untuk memahami prinsip kerja algoritma Aho-Corasick serta keunggulan dalam konteks aplikasi ini. Selanjutnya, algoritma tersebut diimplementasikan dalam lingkungan pengembangan aplikasi dan disesuaikan dengan kebutuhan fitur pencarian yang diinginkan. Aplikasi ini diciptakan dengan menggunakan sistem backend (API) dan frontend, sehingga API (Application Programming Interface) dari aplikasi ini dapat digunakan dalam devices yang berbeda pada pengembangan selanjutnya. Metode pengujian yang digunakan melibatkan sejumlah skenario pencarian yang berbeda untuk mengukur kinerja algoritma Aho-Corasick. Parameter yang diukur meliputi waktu respons pencarian, ketepatan hasil pencarian, dan penggunaan sumber daya sistem. Berdasarkan hasil pengujian, algoritma Aho-Corasick yang menghasilkan waktu total 145.68 ms terbukti memiliki waktu pemrosesan yang lebih cepat 300% dibandingkan dengan metode pencocokan kata kunci pencarian dengan laporan yang tersimpan dalam database yang mencatatkan waktu total 459.93 ms
Analisis Pemilihan Optimizer dalam Arsitektur Convolution Neural Network VGG16 dan Inception untuk Sistem Pengenalan Wajah
Full text linkPenggunaan sistem pengenalan wajah semakin meningkat dewasa ini karena itu penting untuk menemukan cara yang optimal dalam meningkatkan akurasi pengenalan wajah. Pengenalan wajah memanfaatkan arsitektur Convolution Neural Network (CNN), tersusun dari lapisan-lapisan konvolusi yang diikuti oleh fully connected layer. Lapisan konvolusi ini yang bertanggungjawab atas proses ekstraksi fitur pada citra yang akan digunakan untuk klasifikasi citra tersebut. Pada penelitian ini diuji dua jenis arsitektur CNN yaitu VGG16 dan Inception untuk mengukur akurasi pengenalan wajah. Faktor lain seperti hyperparameter juga memegang andil tingkat akurasi model. Hyperparameter yang diuji pada penelitian kali ini adalah jenis optimizer dan pengaruh perubahan learning rate pada akurasi. Optimizer bekerja dengan cara mengubah nilai bobot dan bias saat proses backpropagation dengan tujuan menghasilkan nilai error yang minimum. Setiap optimizer memiliki algoritma yang unik. Pengujian menggunakan 2 dataset yaitu Komnet dan Yale, serta melakukan pengujian pengaruh preprocessing MCLAHE terhadap akurasi. Hasil akurasi tertinggi yang dicapai adalah arsitektur Inception dengan optimizer AdaDelta pada dataset Komnet+MCLAHE. Akurasi pada tahap pelatihan mencapai 98%. Rata-rata akurasi setelah model diuji dengan 10-fold cross validation adalah 99.3%
Pengenalan Tulisan Tangan Karakter Aksara Batak Toba dengan Metode Convolutional Neural Network (CNN)
Full text linkDari banyaknya budaya yang ada di Indonesia pasti memiliki bahasa yang berbeda beda. Dalam dialek suatu daerah ada yang memiliki huruf sendiri sebagai jenis komposisi atau penggambaran bahasa itu. Salah satu bahasa yang memiliki huruf tersendiri sebagai jenis penyusunannya adalah bahasa Batak Toba, yang juga disebut dengan aksara Batak Toba. Penelitian ini bertujuan untuk melatih komputer agar dapat mengenali karakter aksara Batak Toba. Dalam penelitian ini, digunakan metode Convolutional Neural Network (CNN) dalam mengenali tulisan tangan aksara Batak Toba. Hasil penelitian diperoleh Β model CNN dengan ukuran kernel 3x3, hidden layer 1, ukuran citra masukan sebesar 150x150 pixel, menggunakan batas epoch sebesar 300 epoch dan dari model tersebut dihasilkan akurasi pada pengujian I sebesar 89.47 %, akurasi pada pengujian II sebesar 73.68 %, akurasi pada pengujian III sebesar 57,89%, akurasi pada pengujian IV sebesar 84,21% dan akurasi pada pengujian V sebesar 84,21%
Klasifikasi Jenis Rempah Menggunakan Convolutional Neural Network dan Transfer Learning
Full text linkRempah merupakan salah satu kekayaan yang dimiliki oleh Indonesia. Berdasarkan data yang dimiliki Negari Rempah Foundation, terdapat sekitar 400 hingga 500 spesies rempah di dunia dan 275 jenis rempah terdapat di Asia Tenggara terutama di Indonesia. Jenis rempah beragam dan memiliki kemiripan satu dengan yang lain sehingga sulit untuk dibedakan. Maka dari itu untuk mempertahankan pengetahuan mengenai rempah-rempah yang dimiliki Indonesia, diperlukan aplikasi klasifikasi jenis rempah yang akurat sehingga pengetahuan masyarakat tentang rempah tetap terjaga. Selain itu di bidang industri dapat meningkatkan efisiensi dalam industri rempah. Penggunaan teknologi dalam klasifikasi jenis rempah dapat meningkatkan efisiensi dalam industri rempah. Dengan teknologi yang tepat, waktu yang dibutuhkan untuk mengidentifikasi jenis rempah dapat dipercepat, dan juga meminimalkan risiko kesalahan manusia. Keterbatasan citra rempah juga menjadi permasalahan pada klasifikasi jenis rempah. Convolutional Neural Network (CNN) dengan arsitektur transfer learning adalah metode klasifikasi citra yang memiliki performa yang baik pada dataset dengan jumlah yang terbatas. Eksperimen yang dilakukan menggunakan 6 arsitketur CNN, yaitu Xception, MobileNetV2, DenseNet201, VGG16, VGG19, dan ResNet50. Terdapat 10 jenis rempah yang diklasifikasikan yaitu jahe, kunyit, kunci, adas, merica, laos, jintan, kencur, temulawak, dan ketumbar. Berdasarkan hasil eksperimen yang dilakukan Xception adalah arsitektur terbaik dengan F1 Score sebesar 96.99%
Sistem Kendali Proporsional Kualitas Air berupa Ph dan Suhu pada Budidaya Ikan Lele Berbasis IoT
Full text linkBanyaknya kematian bibit yang masih kecil dalam pemeliharaan disebabkan oleh kurangnya perhatian dari media dan pemeliharaan kondisi air. Kegagalan budidaya ikan dapat disebabkan oleh air dengan keasaman (pH) yang terlalu asam atau basa, dan suhu yang tidak sesuai akan mempengaruhi angka kematian. Tingkat keasaman (pH) air yang baik untuk ikan lele adalah 6,5 β 8,5. Tingkat pH 9 ke atas akan menyebabkan nafsu makan ikan lele menurun dan tingkat pH air di bawah 5 akan menyebabkan penggumpalan lendir di insang ikan lele dan mudah berkembang biaknya jamur atau bakteri patogen. Suhu air yang baik untuk pertumbuhan ikan adalah antara 20-30Β°C. Perubahan cuaca yang sewaktu-waktu berubah secara ekstrem, hujan yang terus menerus dan kemudian panas yang tinggi akan membuat suhu dan pH air berubah drastis sehingga menyebabkan ikan lele mengalami stress dan kematian. Berdasarkan pengamatan tersebut, diperlukan suatu alat yang mampu menjaga kualitas air berupa suhu dan pH air. Sistem Pengendalian Kualitas Air berupa pH dan suhu air dengan kontrol proporsional dapat mengontrol keasaman pH dan suhu air pada budidaya ikan lele. Sistem ini terbukti berhasil meningkatkan pertumbuhan pada kolam A dengan sistem. pertumbuhan ikan lele dari 4 cm ke ukuran 5 β 6 cm meningkat 7.7% lebih tinggi dari kolam B tanpa sistem. Pertumbuhan ikan lele ke ukuran 7 β 8 cm pada kolam A 3.5% lebih tinggi daripada kolam B. Pertumbuhan ikan lele ke ukuran 9 cm pada kolam A 4% lebih tinggi dan angka kematian pada kolam A dengan sistem 16% lebih rendah dibandingkan dengan kolam B tanpa sistem. Sistem kendali kualitas air berupa pH dan suhu air ini terbukti mampu meningkatkan pertumbuhan dan menekan kematian ikan lele Β dengan menjaga kestabilan suhu dan pH air kolam pada nilai setpoint dan aplikasi android yang dibuat berhasil menampilkan nilai dari pembacaan dari sensor pH dan suhu yang telah ditampung di dalam cloud firebase sehingga memonitoring kualitas air berupa suhu dan pH air dapat dilakukan dari jarak jauh
Perbandingan Gini Index dan Chi Square pada Sentimen Analsis Ulasan Film menggunakan Support Vector Machine Classifier
Full text linkPada era informasi ini semakin banyak penilaian, pendapat dan pandangan yang dapat ditemukan secara luas di dunia maya. Contohnya adalah ulasan film, di mana penonton berbagi pandangannya mengenai sebuah film. Ulasan film adalah platform di mana para penggemar film dapat mengungkapkan pendapat mereka, baik itu dalam bentuk komentar negatif atau pun positif. Sebagian besar website untuk ulasan film sudah memiliki rating atau bintang, namun rating tinggi tidak selalu diiringi oleh ulasan yang baik begitu pun sebaliknya. Untuk itu, dibutuhkan metode untuk menganalisis teks dengan tujuan mengklasifikasikan apakah ulasan film tersebut termasuk dalam kategori negatif ataupun positif. Teknik yang digunakan adalah analisis sentimen atau opinion mining. Analisis sentimen adalah bidang dalam machine learning yang bertujuan untuk mengambil informasi bersifat subjektif dari teks ulasan. Salah satu metode klasifikasi machine learning adalah Support Vector Machine (SVM). Namun semakin banyak data akan muncul beberapa masalah yaitu banyaknya kata atau fitur yang tidak relevan menyebabkan kinerja pengklasifikasian menurun. Fitur tidak relevan akan menyebab perfomansi yang rendah. Seleksi fitur Gini Indeks dan Chi-Square dibandingkan untuk mengatasi masalah kata yang tidak relevan. Pada penelitian ini, metode klasifikasi SVM kombinasikan dengan metode seleksi fitur untuk meningkatkan performansi. Kombinasi SVM dan Gini Index menghasilkan performansi F1-score sebesar 85.8%. Sedangkan menggunakan SVM dan Chi-Square menghasilkan performansi F1-score tertinggi yaitu sebesar 89.2%
Implementasi Pengukuran Kenyamanan Visual Pada Ruang Perkantoran berbasis Internet of Thing
Full text linkPencahayaan yang cukup secara alami dibutuhkan manusia dalam beraktivitas. Gedung perkantoran sebagai tempat beraktivitas memerlukan pengaturan pencahayaan agar penghuninya mendapatkan kenyamanan visual. Β Biaya yang tinggi tidak selalu mampu memberikan kenyamanan yang dibutuhkan. Untuk itu perlu dilakukan pengukuran kenyamanan visual pada ruang perkantoran untuk menerapkan kondisi pencahayaan yang paling efektif sesuai kondisi ruangan dan kebutuhan penghuninya. Penggunaan pencahayaan buatan (lampu) akan membantu panca indera penglihatan manusia dalam mengakses informasi. Pengukuran tingkat cahaya dilakukan menggunakan sensor BH1750 yang dikoneksikan dengan Arduino modul wifi ESP8266. Sistem mampu menyimpan hasil pengukuran tingkat cahaya secara real time dan ditampilkan melalui dashboard website. Hasil pengukuran dikombinasikan dengan data cuaca dan kebiasaan penghuni dalam mengatur pencahayaan buatan (lampu). Dari hasil eksperimen dan observasi pada ruang perkantoran dengan luas 64,8 m2 menunjukkan bahwa kenyamanan visual mampu di dapatkan dengan pencahayaan buatan (lampu) sepanjang hari. Hasil eksperimen menunjukkan bahwa masing-masing bagian dalam ruangan menerima tingkat pencahayaan yang berbeda. Pengukuran tingkat pencahayaan berbasis IoT mampu menunjukkan hasil bahwa 2 dari 5 titik meja kerja telah mememiliki pencahayaan yang baik dan memberikan kenyamanan visual bagi penghuninya. Dari hasil survey menunjukkan bahwa kenyamanan visual penghuni berada pada tingkat cahaya 100 lux atau lebih