JSTIE (Jurnal Sarjana Teknik Informatika) (E-Journal)
Not a member yet
475 research outputs found
Sort by
Implementasi Chatbot Berbasis Large Language Model dengan Retrieval-Augmented Generation untuk Pengetahuan Perusahaan
No full textPT Java Abadi Gemilang merupakan perusahaan jasa teknologi informasi yang bekerja sama dengan HP Service Center. Sistem saluran informasi internal yang digunakan masih bersifat manual, sehingga menyebabkan rendahnya efisiensi, keterlambatan penyampaian dan kesulitan pencarian informasi oleh karyawan. Penelitian ini bertujuan mengatasi masalah tersebut dengan membuat sebuah sistem Chatbot berbasis Large Language Model dengan pendekatan Retrieval-Augmented Generation, yang memiliki kemampuan untuk memahami permintaan pengguna dan memberikan respons informasi secara cepat dan akurat. Penelitian ini menggunakan pendekatan penelitian terapan dengan tahapan yang meliputi Studi literatur, Pengumpulan dan Pra-pemrosesan data informasi internal perusahaan, Merancang dan Implementasi Sistem Chatbot, Pengujian sistem dan evaluasi. Hasil penelitian menunjukkan bahwa Chatbot dapat memahami permintaan pengguna dan memberikan respons informasi secara cepat dan relevan berdasarkan dokumen internal. Implementasi sistem ini meningkatkan efisiensi pencarian informasi dan kualitas layanan internal perusahaan. Penelitian ini menyimpulkan bahwa Chatbot berbasis Large Language Model dengan Retrieval-Augmented Generation efektif digunakan sebagai saluran informasi perusahaan
Optimasi Occlusion Culling dan Render Scale dalam Game Labirin Matematika Mazetic
No full textPenelitian ini bertujuan untuk meningkatkan performa game edukasi matematika Mazetics pada perangkat mobile yang memiliki keterbatasan daya dan kemampuan rendering. Versi sebelumnya mengalami masalah performa, khususnya akibat penggunaan aset 3D yang belum optimal dan minimnya teknik optimasi. Optimasi dilakukan untuk meningkatkan FPS dan menurunkan beban GPU dengan menerapkan tiga teknik utama, yaitu Occlusion Culling (teknik optimasi dengan menyembunyikan objek yang tidak terlihat oleh kamera), Render Scale (teknik optimasi dengan menurunkan resolusi render internal lalu resolusinya akan ditingkatkan menjadi lebih tinggi), dan Vertex Decimation (mengurangi jumlah poligon pada model 3D tanpa mengubah bentuk secara signifikan). Metode penelitian yang digunakan adalah Research and Development (R&D) dengan pendekatan kuantitatif untuk membandingkan performa sebelum dan sesudah optimasi. Pengujian dilakukan menggunakan Unity Stat Profiler dengan parameter Draw Calls, jumlah Vertices, dan FPS. Hasil penelitian menunjukkan peningkatan performa yang signifikan, dengan kenaikan FPS berkisar antara 43 FPS (24,86%) hingga 174 FPS (167,05%) serta penurunan beban pada sebagian besar parameter rendering. Hasil ini menunjukkan bahwa penerapan teknik optimasi rendering efektif dalam meningkatkan performa game edukasi pada perangkat mobile
Rancang Bangun dan Pengembangan Sistem Penjadwalan Sholat Digital Berbasis Internet of Things
Full text linkPenelitian ini membahas rancang bangun dan pengembangan sistem penjadwalan sholat digital berbasis Internet of Things (IoT) untuk meningkatkan keandalan dan fleksibilitas sistem yang telah digunakan sebelumnya. Sistem lama yang dibangun menggunakan Arduino Mega2560, RTC DS1307 dan panel 7-segment dengan driver ULN2003 memiliki keterbatasan, yaitu tidak tersedianya sinkronisasi waktu otomatis serta pengaturan jeda iqomah yang masih dilakukan secara manual. Dalam penelitian ini, pengembangan dilakukan dengan menambahkan modul ESP32 yang terhubung ke jaringan Wi-Fi untuk melakukan sinkronisasi waktu secara otomatis melalui server Network Time Protocol (NTP). Modul ini juga menyediakan antarmuka berbasis web yang dapat diakses melalui smartphone, sehingga pengaturan jadwal dan jeda iqomah menjadi lebih fleksibel. Komunikasi data antara ESP32 dan Arduino Mega2560 dilakukan melalui protokol Universal Asynchronous Receiver Transmitter (UART) yang terbukti stabil selama pengujian. Hasil pengujian menunjukkan bahwa sistem mampu menjaga deviasi waktu di bawah satu detik dan pengaturan jadwal melalui antarmuka web dapat dilakukan dalam waktu kurang dari dua detik. Sistem ini dinilai lebih andal, efisien, dan sesuai dengan kebutuhan operasional masjid modern, serta mampu menggantikan sistem lama yang kurang fleksibel dalam pengelolaan waktu ibadah
Pengelompokan Dokumen Menggunakan Algoritma Doc2Vec dan HDBSCAN untuk Deteksi Plagiarisme
Full text linkPlagiarisme menjadi tantangan serius dalam lingkungan akademik karena ketersediaan konten digital yang mudah diakses. Cara deteksi plagiarisme yang biasa digunakan, yaitu dengan membandingkan kalimat secara langsung, sering kali bisa dihindari dengan cara mengubah kalimat atau melakukan perubahan kecil pada teks. Penelitian ini bertujuan membuat sistem deteksi plagiarisme yang lebih baik dengan menggunakan algoritma Doc2Vec dan HDBSCAN untuk mengelompokkan dokumen. Metode ini bekerja dengan mengubah dokumen menjadi bentuk vektor yang memiliki makna yang dalam menggunakan Doc2Vec, kemudian mengelompokkan dokumen yang memiliki konten serupa dengan HDBSCAN. Kelebihan HDBSCAN adalah mampu mengklasifikasikan dokumen asli sebagai data yang tidak relevan, sehingga meningkatkan ketepatan hasil deteksi. Uji coba dilakukan pada data esai siswa dan menunjukkan bahwa pendekatan ini mampu mengelompokkan dokumen dengan isi yang mirip, dengan skor Silhouette sebesar 0,6653 yang menunjukkan pemisahan kelompok yang baik. Penelitian ini berkontribusi dalam menyediakan alat deteksi plagiarisme yang lebih andal dan bernuansa, mampu mendeteksi kesamaan ide, bukan hanya kata
Optimasi Electronic Nose Menggunakan Sensor Subset Selection untuk Deteksi Asap Kebakaran Hutan
Full text linkPengembangan sistem deteksi kebakaran hutan telah banyak dilakukan dengan berbagai pendekatan, salah satunya menggunakan electronic nose (e-nose) berbasis larik sensor gas. Namun, penggunaan larik sensor menimbulkan tantangan baru pada sistem, yaitu meningkatnya konsumsi daya, bobot berlebih, redundansi, dan risiko overfitting. Tantangan tersebut dapat diminimalisir dengan mereduksi sensor yang memiliki kontribusi rendah terhadap performa klasifikasi tanpa mengorbankan akurasi sistem. Reduksi sensor pada penelitian ini dilakukan menggunakan metode sensor subset selection dengan konfigurasi baseline yang terdiri atas enam kanal sensor gas (CO, NO₂, MQ7, MQ9, MQ135, dan TGS2600). Proses penelitian meliputi tahapan pra-pemrosesan, ekstraksi ciri, sensor subset selection, serta klasifikasi menggunakan algoritma Random Forest (RF) dan Support Vector Machine (SVM). Hasil evaluasi menunjukkan bahwa tiga sensor inti, yaitu CO, MQ135, dan TGS2600, secara konsisten memberikan kontribusi signifikan terhadap akurasi sistem. Konfigurasi optimal diperoleh dengan lima sensor (CO, MQ7, MQ9, MQ135, dan TGS2600) yang menjaga keseimbangan antara akurasi (±85%) dan efisiensi sistem. Penerapan metode sensor subset selection ini mampu mengoptimalkan larik sensor gas pada e-nose, sehingga dihasilkan sistem deteksi asap kebakaran hutan yang lebih efisien, portabel, dan adaptif sebagai payload UAV
Analyzing Poverty in Central Java Through K-Medoids Clustering Method
Full text linkPoverty remains a major issue in Indonesia, particularly in Central Java which has the second highest poverty rate on the island of Java, following the Special Region of Yogyakarta. This study aims to categorize districts and cities in Central Java based on poverty characteristics to support more effective poverty alleviation programs. Using the K-Medoids clustering method, poverty indicators in Central Java Province were analyzed for the year 2021. The K-Medoids method aims to identify poverty groupings and visualize the distribution of poverty in Central Java province for the year 2021. The results identified two clusters. Cluster 1 includes 31 districts and cities with higher poverty rates, lower education levels, and lower residential rental costs. Although the poverty rate is high, people in this cluster show a strong work ethic with relatively low unemployment among those aged over 15 years. In contrast, Cluster 2 shows lower poverty rates, higher education levels, and higher housing costs, but relatively higher unemployment rates. Overall, Cluster 1 represents areas requiring special attention from the government to improve community welfare
Klasifikasi Kelayakan Keringanan UKT Menggunakan SMOTE dan Regresi Logistik
Full text linkKeringanan Uang Kuliah Tunggal (UKT) merupakan bantuan finansial bagi mahasiswa dari keluarga berpenghasilan rendah. Namun, proses seleksi penerima sering kali menghadapi tantangan subjektivitas dan ketidakseimbangan data, yang dapat berdampak pada ketepatan keputusan. Penelitian ini bertujuan membangun model klasifikasi untuk memprediksi kelayakan mahasiswa secara objektif menggunakan algoritma Regresi Logistik dan metode penyeimbangan data Synthetic Minority Over-sampling Technique (SMOTE). Penelitian ini menggunakan pendekatan kuantitatif dengan metode supervised learning. Dataset terdiri dari 100 data, yakni 80 data latih dan 20 data uji, dengan distribusi kelas yang tidak seimbang. Evaluasi model dilakukan menggunakan confusion matrix, akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model tanpa SMOTE memiliki akurasi 91,2%, presisi 95,9%, recall 90,4% dan f1-score berada 93,1%. Setelah penerapan SMOTE, model menunjukkan akurasi meningkat menjadi 92,3% dengan presisi 94,0%, recall tetap stabil di nilai yang sama dengan model latih tanpa smote, dan F1-score mencapai 92,2%. Pada data uji, model mempertahankan kinerja tinggi dengan seluruh metrik evaluasi di atas 90%, menunjukkan kemampuan generalisasi yang baik dan minim overfitting. Penerapan SMOTE terbukti efektif dalam mengatasi ketidakseimbangan kelas dan meningkatkan sensitivitas model terhadap kelas minoritas
Klasifikasi Sentimen Ulasan Aplikasi Gojek Berbasis Decision Tree Dengan Optimasi Grid Search
Full text linkPenelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengguna aplikasi Gojek secara otomatis menggunakan algoritma Decision Tree dengan optimasi hyperparameter GridSearchCV dan teknik penyeimbangan data SMOTE. Ulasan pengguna dari Google Play Store mencerminkan persepsi terhadap layanan, sehingga diperlukan metode analisis yang efisien. Dataset terdiri dari 44.950 ulasan yang diperoleh dari Kaggle dan diproses melalui tahapan tokenisasi, stopword removal, stemming, dan representasi numerik menggunakan TF-IDF. Model Decision Tree awal menghasilkan akurasi 87,59%. Setelah penerapan GridSearchCV dan SMOTE, akurasi model pada data seimbang menjadi 83,5% dengan F1-score 0,84. Namun, performa terhadap kelas minoritas (netral) masih rendah. Sebagai pembanding, model Random Forest menunjukkan hasil lebih baik dengan akurasi 86,5% dan F1-score 0,86. Hasil penelitian menunjukkan bahwa kombinasi TF-IDF dan Decision Tree efektif untuk klasifikasi sentimen mayoritas, tetapi kurang optimal pada kelas minoritas. Penggunaan model yang lebih kompleks seperti Random Forest disarankan untuk hasil klasifikasi yang lebih merata
Analisis Perbandingan PCA-KNN dan SVM untuk Prediksi Risiko Diabetes
Full text linkDiabetes merupakan penyakit kronis yang sering terlambat terdiagnosis akibat gejala awal yang tidak spesifik, sehingga deteksi dini penting untuk mencegah komplikasi serius. Penelitian ini bertujuan menganalisis dan membandingkan performa kombinasi Principal Component Analysis dengan K-Nearest Neighbor (PCA-KNN) dan Support Vector Machine (SVM) dalam prediksi risiko diabetes. Dataset yang digunakan berasal dari Kaggle dengan 768 entri dan delapan atribut medis. Tahap praproses mencakup imputasi median untuk nilai nol, normalisasi Z-score, serta reduksi dimensi menggunakan PCA pada model KNN yang menghasilkan lima komponen utama dengan varian kumulatif >80%. Nilai k optimal ditentukan melalui 10-Fold Cross Validation dengan hasil terbaik pada k=16. Hasil evaluasi menunjukkan PCA-KNN mencapai akurasi 76,47%, sensitivitas 90,00%, dan spesifisitas 50,94%, lebih baik dibanding KNN standar. Sementara itu, SVM memperoleh akurasi 72,73% dengan spesifisitas tinggi (84,00%) namun sensitivitas rendah (51,85%). Temuan ini mengindikasikan bahwa PCA-KNN lebih sesuai untuk skrining awal karena sensitivitas tinggi, sedangkan SVM dapat digunakan pada tahap konfirmasi berkat spesifisitas yang lebih baik
Predictive Modelling for Mental Health Disorders using Machine Learning Techniques
Full text linkThis study evaluates the application of machine learning techniques in improving the prediction and diagnosis of mental health disorders. Traditional diagnostic methods are subjective and time-consuming, necessitating more accurate and efficient alternatives. Using a dataset from the Open-Sourcing Mental Illness survey, this study compares five machine learning algorithms-logistic regression, decision trees, random forests, k-nearest neighbours, and naïve bayes-on mental health prediction tasks. The findings indicate that Naïve Bayes achieves the highest accuracy (82.54%), suggesting its potential for more accurate mental health diagnostics. These results underscore the value of machine learning techniques in enhancing early detection and management of mental health conditions, paving the way for future research into more diverse datasets and ensemble approaches to refine predictive models for clinical application