Techno.Com

Penerapan Metode Hibrida AHP-TOPSIS dalam Sistem Monitoring Progres Belajar Siswa Berbasis Multi-Kriteria pada Lembaga Kursus Bahasa Inggris

2026-05-08T10:56:22+00:00

Monitoring progres belajar siswa di lembaga kursus merupakan tantangan yang kompleks karena melibatkan berbagai kriteria penilaian. Tantangan kritis yang belum terjawab pada sistem konvensional adalah ketiadaan mekanisme Early Warning System (EWS) real-time, di mana instruktur rata-rata memerlukan 14 hari untuk mengidentifikasi siswa bermasalah suatu jeda yang secara signifikan mengurangi peluang intervensi yang tepat waktu. Penelitian ini mengusulkan penerapan metode hibrida AHP-TOPSIS (Analytical Hierarchy Process - Technique for Order of Preference by Similarity to Ideal Solution) dalam sistem monitoring berbasis multi-kriteria. AHP digunakan untuk menetapkan bobot kriteria secara objektif dan terverifikasi konsistensinya (CR = 0.047 < 0.1), sementara TOPSIS mengeksekusi perankingan berdasarkan kedekatan relatif siswa terhadap solusi ideal positif dan negatif. Pendekatan hibrida ini menghasilkan kontribusi metodologis yang lebih kuat dibandingkan penggunaan TOPSIS dengan bobot statis. Sistem dikembangkan menggunakan PHP Framework CodeIgniter 4 dan basis data MySQL, mengimplementasikan lima kriteria: nilai ujian (35%), persentase kehadiran (25%), skor tugas (20%), ketepatan pengumpulan tugas (10%), dan partisipasi kelas (10%). Pengujian pada 50 siswa kursus bahasa Inggris selama satu semester menunjukkan bahwa sistem mampu mengklasifikasikan progres belajar ke dalam empat kategori dengan akurasi 92%, precision 91.8%, dan F1-score 91.9%. Kontribusi praktis terpenting adalah kemampuan EWS sistem ini memangkas waktu identifikasi siswa bermasalah dari rata-rata 14 hari menjadi kurang dari 1 hari (efisiensi 93%). TOPSIS mengungguli SAW (88%) dan WP (86%) dalam konteks yang sama, terutama karena kemampuannya menangkap anomali pada distribusi nilai siswa yang memiliki fluktuasi ekstrem.

Kata kunci - AHP-TOPSIS; Sistem Monitoring; Early Warning System; Progres Belajar; Multi-Kriteria; Lembaga Kursus; SPK.

Analisis Perbandingan Kinerja Algoritma Random Forest dan XGBoost dalam Klasifikasi Preferensi Wisatawan Kabupaten Kendal

2026-06-07T09:42:22+00:00

Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Random Forest dan XGBoost dalam mengklasifikasikan preferensi pengunjung destinasi wisata di Kabupaten Kendal. Data diperoleh melalui kuesioner yang mencakup atribut usia, jenis kelamin, asal, transportasi, harga tiket, fasilitas, dan akses. Tahapan penelitian meliputi pembagian data menggunakan train-test split dengan proporsi 80:20 serta penanganan ketidakseimbangan data menggunakan teknik SMOTE pada data pelatihan. Proses pemodelan dilakukan dengan optimasi parameter menggunakan GridSearchCV untuk memperoleh model terbaik dari masing-masing algoritma. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score pada data uji, serta diperkuat dengan Stratified K-Fold Cross Validation (k=5) untuk memastikan stabilitas dan kemampuan generalisasi model.

Hasil penelitian menunjukkan bahwa Random Forest memperoleh akurasi sebesar 89,55%, sedangkan XGBoost menghasilkan akurasi yang lebih tinggi yaitu 90,30%. Hasil cross-validation juga menunjukkan bahwa XGBoost memiliki performa yang lebih stabil dibandingkan Random Forest. Analisis feature importance menunjukkan bahwa atribut usia menjadi faktor paling berpengaruh, diikuti oleh akses, asal, dan harga tiket. Hasil penelitian ini diharapkan dapat menjadi dasar dalam perumusan strategi pengembangan dan promosi pariwisata berbasis data.

Kata kunci – Random Forest, XGBoost, Klasifikasi, Preferensi Wisata

Implementasi Business Intelligence untuk Analisis Identifikasi Risiko Pengeluaran Impulsif Berbasis FOMO

2026-05-15T06:33:22+00:00

Pertumbuhan pesat ekonomi digital dan media sosial telah memengaruhi perilaku konsumen, khususnya meningkatnya pengeluaran impulsif yang dipicu oleh Fear of Missing Out (FOMO). Kemudahan transaksi digital, promosi berbasis kelangkaan, dan tekanan sosial di media sosial berpotensi meningkatkan risiko finansial individu. Namun, pendekatan analitis berbasis data untuk mendeteksi risiko pengeluaran impulsif secara dini masih terbatas. Penelitian ini bertujuan mengembangkan pendekatan Business Intelligence (BI) untuk deteksi dini risiko pengeluaran impulsif berbasis FOMO melalui integrasi indikator psikologis dan finansial ke dalam model skor risiko. Penelitian ini menerapkan kerangka kerja BI yang mencakup proses Extract, Transform, Load (ETL), pengolahan data menggunakan Python, serta visualisasi dashboard interaktif menggunakan Microsoft Power BI. Data dikumpulkan melalui kuesioner daring terhadap 308 responden, mencakup indikator psikologis terkait perilaku FOMO dan indikator finansial, seperti pendapatan dan pengeluaran impulsif. Hasil penelitian menunjukkan rata-rata skor FOMO sebesar 3,97 dan rata-rata skor risiko sebesar 0,56, dengan mayoritas responden berada pada kategori risiko sedang sebesar 84,42%. Hal ini menunjukkan hubungan yang konsisten antara peningkatan skor FOMO, tingginya pengeluaran impulsif, dan meningkatnya kategori risiko. Hasil penelitian menegaskan pentingnya visual analytics berbasis BI dalam mendukung pemantauan risiko terintegrasi dan pengambilan keputusan berbasis data.

Kata Kunci - Fear of Missing Out (FOMO), Pengeluaran Impulsif, Business Intelligence, Dashboard Interaktif

Analisis Emosi Warganet pada Komentar Youtube Tentang Demo DPR 2025 Menggunakan Naive Bayes

2026-05-15T06:28:40+00:00

Demo DPR 2025 menimbulkan beragam reaksi di kalangan warganet yang terekspresikan melalui komentar di media sosial. Fenomena ini menghasilkan data komentar dalam jumlah besar dengan variasi ekspresi emosi yang beragam, sehingga menjadi sumber data yang relevan untuk menguji performa klasifikasi emosi pada data teks multikelas. Penelitian ini bertujuan untuk menganalisis emosi warganet terhadap demo tersebut menggunakan algoritma Naive Bayes dengan memanfaatkan komentar YouTube yang telah dibersihkan dan dilabeli ke dalam lima kategori emosi: Marah, Netral, Sedih, Senang, dan Takut. Hasil awal menunjukkan akurasi sebesar 85%, dengan performa tinggi pada kelas mayoritas (Marah) dan (sedih) namun rendah pada kelas senang, takut dan Netral. Permasalahan ini menunjukkan adanya ketidakseimbangan kelas yang menyebabkan bias prediksi terhadap emosi tertentu, yang masih jarang dibahas dalam penelitian serupa pada konteks sosial-politik Indonesia. Untuk mengatasi gap tersebut, penelitian ini menerapkan Synthetic Minority Over-sampling Technique (SMOTE) pada data training guna meningkatkan kemampuan model mengenali emosi minoritas. Setelah penerapan SMOTE, akurasi naik menjadi 89%. Hasil ini menunjukkan bahwa SMOTE mampu memperbaiki ketimpangan performa model tanpa bergantung pada akurasi keseluruhan. Kebaruan penelitian ini terletak pada penerapan SMOTE dalam analisis emosi warganet terhadap isu sosial-politik aktual di Indonesia, sehingga menghasilkan model yang lebih seimbang dan representatif dalam memahami persepsi publik di media sosial.

Kata Kunci- Naive Bayes, klasifikasi emosi, SMOTE, komentar YouTube, demo DPR 2025

Adaptive Particle Swarm Optimization pada Support Vector Regression untuk Peramalan Harga Emas

2026-05-15T06:35:36+00:00

Peramalan harga emas memainkan peran penting dalam sektor investasi karena harga emas sangat fluktuatif dan dipengaruhi oleh kondisi ekonomi global. Support Vector Regression (SVR) merupakan salah satu metode machine learning yang terbukti efektif untuk prediksi deret waktu; namun, kinerjanya sangat bergantung pada penentuan parameter optimal seperti C, ε, dan γ. Parameter yang tidak akurat dapat menyebabkan model gagal menangkap dinamika pasar atau mengalami overfitting. Oleh karena itu, penelitian ini bertujuan untuk meningkatkan kinerja peramalan harga emas dengan mengintegrasikan Adaptive Particle Swarm Optimization (APSO) ke dalam model SVR untuk memperoleh kombinasi parameter optimal secara adaptif. Dataset yang digunakan terdiri dari data historis harga emas harian yang diperoleh dari Investing.com mencakup periode Februari 2014 hingga Januari 2024. Evaluasi model dilakukan menggunakan metrik MAE, RMSE, MAPE, MSE, dan R². Hasil eksperimen menunjukkan bahwa model SVR-APSO yang diusulkan mencapai kinerja terbaik dengan nilai MAE sebesar 4.626511, RMSE sebesar 6.355163, MAPE sebesar 0.246459%, MSE sebesar 40.388091, dan nilai R² sebesar 0.996617. Temuan ini menunjukkan bahwa optimisasi adaptif terhadap parameter SVR secara signifikan meningkatkan kemampuan model dalam memprediksi fluktuasi harga emas dan memberikan akurasi prediksi yang lebih baik dibandingkan SVR konvensional maupun optimisasi berbasis PSO standar.

Kata Kunci – Support Vector Regression, Adaptive Particle Swarm Optimization, Peramalan Harga Emas, Machine Learning, Peramalan Deret Waktu

Sistem Pendeteksi Hewan Perusak Lahan Pertanian Berbasis ESP32-CAM dan Sensor PIR Dengan Energi Surya

2026-06-18T16:19:20+00:00

Kerusakan lahan pertanian akibat hewan ternak yang dilepasliarkan masih menjadi permasalahan yang sering terjadi di Kabupaten Sumbawa. Penelitian ini bertujuan merancang sistem pendeteksi hewan perusak lahan pertanian berbasis Internet of Things (IoT) menggunakan ESP32-CAM, sensor PIR, teknologi deteksi objek YOLOv8, dan energi surya. Sistem bekerja dengan mendeteksi gerakan menggunakan sensor PIR dan melakukan verifikasi objek menggunakan YOLOv8 melalui VPS server berbasis Flask. Apabila objek terdeteksi sebagai sapi, sistem akan mengirimkan notifikasi Telegram dan mengaktifkan alarm otomatis. Sistem juga mendukung mode offline ketika koneksi internet terputus. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi objek sapi dengan tingkat keberhasilan sekitar 80% pada jarak efektif 5–8 meter. Selain itu, sistem tenaga surya mampu mendukung operasional perangkat secara mandiri selama proses pengujian berlangsung. Penelitian ini menunjukkan bahwa integrasi IoT, computer vision, dan energi surya dapat diterapkan sebagai sistem keamanan otomatis untuk membantu petani dalam memantau dan mengurangi gangguan hewan pada lahan pertanian.

Kata kunci: Internet of Things, ESP32-CAM, YOLOv8, Sensor PIR, Energi Surya.

Implementasi Chatbot AI Berbasis Dialogflow pada Platform E-Commerce

2026-06-13T07:25:50+00:00

Perkembangan teknologi digital dalam beberapa tahun terakhir telah meningkatkan penggunaan platform e-commerce dalam aktivitas transaksi daring. Peningkatan jumlah pengguna dan interaksi pelanggan menuntut layanan pelanggan yang mampu memberikan respons cepat, akurat, dan tersedia secara real-time. Penelitian ini bertujuan mengimplementasikan chatbot AI berbasis Dialogflow pada platform e-commerce berbasis web menggunakan framework Laravel untuk mendukung proses pelayanan pelanggan secara otomatis. Metode penelitian yang digunakan meliputi analisis kebutuhan sistem, perancangan aplikasi, implementasi chatbot AI, serta pengujian sistem menggunakan metode blackbox testing dan pengujian skenario intent chatbot. Hasil pengujian menunjukkan bahwa seluruh fitur utama aplikasi, seperti pengelolaan data produk, transaksi pembelian, integrasi pembayaran melalui platform Xendit, serta otomatisasi pembaruan stok barang dapat berjalan dengan baik tanpa ditemukan error fungsional. Selain itu, chatbot mampu memberikan respons sesuai intent yang telah dilatih, seperti pencarian produk, detail produk, penambahan produk ke keranjang, dan fallback response untuk pertanyaan di luar konteks e-commerce. Dengan demikian, implementasi chatbot AI pada platform e-commerce mampu membantu meningkatkan kualitas layanan pelanggan menjadi lebih cepat, interaktif, efisien, dan mudah diakses oleh pengguna.

Keywords - E-Commerce, Chatbot AI, Dialogflow

Perancangan Blueprint Arsitektur Enterprise Sistem Informasi Akademik Terintegrasi pada SMK Nurul Huda Menggunakan TOGAF ADM

2026-07-02T02:56:28+00:00

SMK Nurul Huda menghadapi permasalahan pengelolaan data akademik yang belum terintegrasi sehingga berpotensi menimbulkan duplikasi data, keterlambatan rekapitulasi, dan kesulitan penyusunan laporan akademik. Penelitian sebelumnya telah menerapkan TOGAF ADM pada lingkungan pendidikan, namun belum secara khusus menghasilkan blueprint yang mengakomodasi karakteristik akademik SMK. Penelitian ini bertujuan menyusun blueprint arsitektur enterprise Sistem Informasi Akademik SMK Nurul Huda menggunakan TOGAF ADM. Data dikumpulkan melalui observasi, wawancara, dan analisis dokumen, kemudian dianalisis menggunakan TOGAF ADM dengan pendekatan Value Chain, SWOT, dan McFarlan Strategic Grid. Hasil penelitian menghasilkan blueprint yang mencakup arsitektur bisnis, data, aplikasi, dan teknologi, serta portofolio aplikasi berdasarkan prioritas pengembangannya. Hasil tersebut menunjukkan bahwa pengembangan sistem diprioritaskan pada aplikasi yang mendukung operasional akademik dan layanan strategis sesuai karakteristik SMK. Blueprint yang dihasilkan dapat menjadi dasar pengembangan Sistem Informasi Akademik yang terintegrasi di SMK Nurul Huda.

Kata Kunci - Arsitektur Enterprise, Sistem Informasi Akademik, TOGAF ADM, Blueprint, SMK

Prediksi Inflasi Bulanan Menggunakan LightGBM dan Optimasi Hyperparameter Berbasis Optuna

2026-07-02T02:46:29+00:00

Inflasi merupakan indikator makroekonomi penting yang mencerminkan perubahan tingkat harga barang dan jasa serta berpengaruh terhadap stabilitas ekonomi dan pengambilan kebijakan. Prediksi inflasi menjadi tantangan karena data inflasi memiliki karakteristik deret waktu yang dinamis, dipengaruhi oleh berbagai faktor ekonomi, serta mengandung hubungan nonlinier. Tujuan penelitian ini adalah menghasilkan model prediksi inflasi bulanan Indonesia dengan menerapkan metode LightGBM serta melakukan optimasi hyperparameter menggunakan Optuna guna meningkatkan kinerja model. Dataset penelitian mencakup data inflasi dan berbagai indikator makroekonomi Indonesia pada tahun 2014–2024 yang dikumpulkan dari Bank Indonesia dan Badan Pusat Statistik (BPS). Tahapan penelitian meliputi preprocessing, feature engineering, pembagian data, pemodelan, optimasi hyperparameter, dan evaluasi menggunakan MAE, RMSE, dan R². Berdasarkan pengujian yang dilakukan, diperoleh hasil bahwa optimasi hyperparameter mampu meningkatkan performa model secara signifikan dengan menghasilkan MAE sebesar 0,0434, RMSE sebesar 0,0561, dan R² sebesar 0,9259. Hasil tersebut menunjukkan bahwa LightGBM yang dioptimasi menggunakan Optuna mampu memprediksi inflasi bulanan dengan tingkat akurasi yang tinggi dan efektif dalam menangkap pola nonlinier pada data inflasi.

Kata kunci - Inflasi, LightGBM, Optuna, Deret waktu, Prediksi

Validating Market Demand for 3D Design and Printing Services Using Design Thinking and Value Proposition Canvas: PopStudio Startup Case Study

2026-07-02T03:02:20+00:00

This study aims to identify the initial market needs for 3D design and 3D printing services at the digital manufacturing startup PopStudio and to develop a value proposition that supports achieving problem-solution fit. The study employs a mixed-methods approach with a qualitative focus through an exploratory case study. Data were collected using purposive sampling of 34 potential respondents and two key informants through questionnaires, interviews, digital observations, and analysis of internal documents. Analysis was conducted by integrating Design Thinking, the Value Proposition Canvas (VPC), the Lotus Blossom Diagram, and the Now–How–Wow Matrix through the stages of Empathize, Define, Ideate, Prototype, and Test. The research findings indicate that customers need not only 3D printing services but also end-to-end solutions that include design consultation, previews and revisions, rapid prototyping, reverse engineering, replacement parts, on-demand production, and transparent, responsive service processes. The three priority customer segments identified include Personal Users/Custom Product, Business Owners/SMEs, and Functional Users. These findings demonstrate that a customer-centric approach helps digital manufacturing startups formulate more relevant value propositions, strengthen service differentiation, and support service development aligned with early-market needs.

Keywords - 3D Printing, Design Thinking, Value Proposition Canvas, digital manufacturing startup, Problem-Solution Fit

Klasifikasi Kualitas Kopra dengan Local Binary Pattern (LBP) dan Hue Saturation Value (HSV) Menggunakan Algoritma Support Vector Machine (SVM)

2026-07-19T07:45:22+00:00

Kopra merupakan salah satu komoditas unggulan yang memiliki nilai ekonomi tinggi, namun proses penilaian kualitasnya masih dilakukan dengan metode konvensional sehingga rentan terhadap subjektivitas dan ketidakkonsistenan hasil. Penelitian ini bertujuan untuk membangun model klasifikasi kualitas kopra secara otomatis menggunakan kombinasi fitur tekstur Local Binary Pattern (LBP) dan fitur warna Hue Saturation Value (HSV) dengan algoritma Support Vector Machine (SVM) kernel RBF. Pendekatan ini memanfaatkan teknologi pengolahan citra digital yang mampu membedakan kelas kualitas kopra secara otomatis berdasarkan karakteristik visual tekstur dan warna. Pengujian dilakukan dalam tiga skenario menggunakan masing – masing fitur tekstur, fitur warna serta gabungan keduanya, dengan memvariasikan nilai parameter C dan gamma untuk memperoleh kombinasi terbaik. Hasil pengujian menunjukkan bahwa skenario LBP-SVM menghasilkan akurasi sebesar 86,21%, skenario HSV-SVM sebesar 98,12%, dan skenario LBP-HSV-SVM menghasilkan akurasi tertinggi sebesar 98,75% pada parameter C=1 dan gamma=0,1. Penggabungan fitur LBP dan HSV terbukti mampu merepresentasikan karakteristik visual kopra dari aspek tekstur dan warna secara bersamaan, sehingga menghasilkan kemampuan klasifikasi antar kelas yang lebih optimal.

Kata kunci - kopra, Local Binary Pattern, Hue Saturation Value, Support Vector Machine, klasifikasi kualitas.

Optimasi Hyperparameter Bidirectional LSTM Menggunakan Particle Swarm Optimization untuk Estimasi Harga Saham PTBA

2026-07-02T02:28:26+00:00

Estimasi harga saham merupakan permasalahan yang kompleks akibat pergerakan harga yang bersifat volatil dan non-linear. Penelitian ini mengimplementasikan model Bidirectional Long Short-Term Memory (BiLSTM) yang dioptimasi menggunakan Particle Swarm Optimization (PSO) untuk melakukan estimasi harga saham PTBA. Data yang digunakan merupakan data historis harian saham PTBA sebanyak 1.199 data dari rentang 5 Mei 2021 hingga 5 Mei 2026 yang diperoleh dari investing.com. PSO digunakan untuk menentukan kombinasi hyperparameter optimal pada model BiLSTM yang meliputi learning rate, hidden units pada dua lapisan, dan dropout rate, dengan menggunakan 20 partikel dan 30 iterasi. Hasil optimasi PSO menghasilkan kombinasi hyperparameter optimal yaitu learning rate sebesar 0,00402, hidden units lapisan pertama sebesar 92, hidden units lapisan kedua sebesar 48, dan dropout rate sebesar 0,14600. Model PSO-BiLSTM yang dilatih menggunakan kombinasi tersebut menghasilkan nilai MAE sebesar 31,7024, RMSE sebesar 50,7833, dan MAPE sebesar 1,1745% pada data uji. Hasil komparasi dengan model Baseline BiLSTM menunjukkan peningkatan akurasi sebesar 33,43% pada MAE, 23,19% pada RMSE, dan 33,96% pada MAPE, membuktikan bahwa optimasi hyperparameter menggunakan PSO mampu meningkatkan kemampuan estimasi model BiLSTM secara signifikan.

Kata Kunci - BiLSTM, PSO, Optimasi Hyperparameter, Estimasi Harga Saham, PTBA

ROC-WASPAS untuk Evaluasi Kinerja Guru dengan Analisis Sensitivitas Bobot Kriteria

2026-07-02T03:48:17+00:00

Evaluasi kinerja guru memiliki peran strategis dalam menjamin kualitas proses pembelajaran dan mendukung pengambilan keputusan manajerial di lingkungan pendidikan. Akan tetapi, mekanisme penilaian yang masih dilakukan secara konvensional sering kali menghadapi permasalahan berupa subjektivitas penilai dan ketidakseragaman dalam penentuan tingkat kepentingan kriteria, yang berpotensi menurunkan reliabilitas hasil evaluasi. Penelitian ini mengembangkan model sistem pendukung keputusan berbasis integrasi metode Rank Order Centroid (ROC) dan Weighted Aggregated Sum Product Assessment (WASPAS) untuk membantu proses pemilihan guru terbaik. Evaluasi dilakukan terhadap 16 guru dengan mempertimbangkan enam aspek penilaian, yaitu kemampuan pedagogis, profesionalisme, kompetensi sosial, kompetensi kepribadian, kedisiplinan, dan masa pengabdian. ROC digunakan untuk menghasilkan bobot kriteria berdasarkan urutan prioritas yang telah ditetapkan, sedangkan WASPAS dimanfaatkan untuk memperoleh nilai preferensi dan menentukan urutan alternatif. Selain proses pemeringkatan, penelitian ini juga menerapkan analisis sensitivitas untuk mengukur ketahanan model terhadap perubahan bobot kriteria. Hasil pengujian menunjukkan bahwa alternatif A10 memperoleh nilai preferensi tertinggi sebesar 0,9524. Sementara itu, skenario perubahan bobot sebesar ±10% menghasilkan koefisien korelasi Spearman antara 0,9882 hingga 1,0000 yang mengindikasikan tingkat konsistensi pemeringkatan yang sangat tinggi. Temuan tersebut menunjukkan bahwa model ROC–WASPAS mampu menghasilkan rekomendasi yang stabil, objektif, dan layak digunakan sebagai pendukung evaluasi kinerja guru.

Kata Kunci: Sistem Pendukung Keputusan, ROC, WASPAS, Penilaian Kinerja Guru, Analisis Sensitivitas.

Deteksi Hewan Perusak Tanaman Menggunakan YOLOv8 Berbasis ESP32-CAM

2026-06-13T07:21:55+00:00

Kerusakan lahan pertanian yang disebabkan oleh hewan liar masih menjadi masalah signifikan yang memengaruhi produktivitas tanaman dan menyebabkan kerugian ekonomi bagi petani. Metode pemantauan konvensional, seperti penjagaan manual dan sistem alarm berbasis gerakan, dianggap kurang efektif karena memerlukan pengawasan manusia secara terus-menerus dan tidak mampu mengidentifikasi jenis objek yang terdeteksi. Beberapa penelitian sebelumnya telah mengimplementasikan sistem berbasis Internet of Things (IoT) menggunakan sensor Passive Infrared (PIR) dan modul ESP32-CAM untuk mendeteksi gerakan di area pertanian. Namun, sensor PIR hanya mampu mendeteksi pergerakan tanpa dapat mengklasifikasikan objek secara spesifik, sehingga sering menimbulkan alarm palsu yang disebabkan oleh manusia, hewan, atau faktor lingkungan. Penelitian ini mengusulkan sistem deteksi hewan perusak tanaman secara real-time menggunakan algoritma YOLOv8 berbasis ESP32-CAM. Sistem ini memanfaatkan ESP32-CAM sebagai perangkat akuisisi citra dan YOLOv8 sebagai metode deteksi objek untuk mengidentifikasi hewan perusak melalui citra digital. Sistem yang diusulkan diharapkan dapat meningkatkan akurasi deteksi dan mengurangi alarm palsu dibandingkan dengan sistem konvensional berbasis sensor gerak. Penelitian ini berkontribusi pada pengembangan aplikasi Kecerdasan Buatan dan Computer Vision dalam smart farming, khususnya pada sistem pemantauan lahan pertanian otomatis.

Kata Kunci - YOLOv8, ESP32-CAM, Deteksi Objek, Smart Farming, Computer Vision

Perbandingan Support Vector Machine dan Model Transformer untuk Klasifikasi Sentimen Terkait Redenominasi Rupiah di YouTube

2026-07-02T03:50:50+00:00

Redenominasi rupiah merupakan isu kebijakan moneter yang dapat memengaruhi persepsi masyarakat terhadap nilai mata uang dan perilaku ekonomi. Tanggapan masyarakat terhadap isu ini dapat diamati melalui komentar YouTube. Penelitian terdahulu umumnya membandingkan metode pembelajaran mesin klasik dengan satu model Transformer, sedangkan perbandingan SVM, IndoBERT, IndoBERTweet, dan penggabungan probabilitas kedua model Transformer masih terbatas. Penelitian ini membandingkan keempat model tersebut dengan menerapkan metode weighted soft voting pada IndoBERT dan IndoBERTweet. Data awal berjumlah 1.755 komentar. Setelah melalui tahap pembersihan, preprocessing, pelabelan, dan penghapusan duplikat, diperoleh 1.588 komentar. Data dibagi secara terstratifikasi menjadi 70% data pelatihan, 10% data validasi, dan 20% data uji. Teks diproses dalam format komen_svm untuk SVM dan komen_bert untuk model Transformer. Pada seed 42, model hybrid memperoleh akurasi 76,73% dan Macro F1-score 74,83%, yang merupakan hasil tertinggi pada eksperimen ini. Pada dataset dan konfigurasi penelitian yang digunakan, model hybrid memperoleh kinerja tertinggi pada korpus yang memuat variasi bahasa formal dan informal. Namun, hasil penelitian ini belum dapat digeneralisasikan ke seluruh komentar YouTube.

Kata Kunci - Analisis Sentimen, Redenominasi Rupiah, Komentar YouTube, SVM, IndoBERT, IndoBERTweet, Weighted soft voting.

Transformer-Based Models for Short-to-Medium Range Tropical Cyclone Track and Intensity Forecasting

2026-07-17T08:59:39+00:00

This study presents a systematic benchmark of six Transformer-based architectures, Vanilla Transformer, Informer, Autoformer, FEDformer, PatchTST, and iTransformer, for short-to-medium range tropical cyclone (TC) track and intensity forecasting over the Southern Indian Ocean basins surrounding Indonesia. Using a 3-hourly resampled IBTrACS dataset during (1965-2025), multi-lead-time supervised sequences were constructed with a 72-hour (24-step) input window across six forecast horizons (12–72 hours). All models were implemented under a unified dual-output framework with identical hyperparameters and training conditions to ensure fair comparison. Performance was evaluated using MAE, RMSE, MAPE, R², and categorical skill scores at positional thresholds of 50, 100, and 200 km. A Weighted Sum Model (WSM) composite ranking identified iTransformer as the top performer (WSM = 0.075), followed by PatchTST (0.092) and Autoformer (0.105). Horizon-stratified analysis shows Autoformer excels at short lead times (≤24 h), while iTransformer dominates from 36 to 72 hours. FEDformer ranked last, highlighting limitations of frequency-domain mixing on sparse kinematic data.

Keywords - Tropical Cyclone Forecasting; Transformer Architecture; IBTrACS; Weighted Sum Model; Deep Learning.

Toward Quantum-Resilient and Privacy-Preserving Student Attendance Systems Using Hybrid Post-Quantum Cryptography

2026-04-26T14:56:33+00:00

The rapid digital transformation of academic record and student attendance systems demands security mechanisms that simultaneously provide confidentiality, integrity, privacy-preserving data analytics, and long-term resilience against emerging quantum threats. While conventional cryptographic algorithms such as RSA, ECC, and AES remain computationally efficient, public-key schemes based on RSA and ECC are vulnerable to quantum attacks, limiting their suitability for protecting sensitive educational information in the long term. Existing studies generally focus either on post-quantum secure communication or on privacy-preserving computation, resulting in fragmented security architectures that increase implementation complexity in resource-constrained academic environments. To address this challenge, this paper proposes a Lightweight Hybrid Post-Quantum Cryptographic Algorithm (LHPQCA) that integrates the CRYSTALS-Kyber Key Encapsulation Mechanism (KEM) for quantum-resistant session key establishment, AES-GCM for authenticated encryption of attendance records, and the Paillier additive homomorphic cryptosystem for privacy-preserving aggregation of attendance statistics over encrypted data. By assigning each cryptographic primitive according to its intended function, the proposed architecture achieves quantum-secure key establishment, efficient symmetric data protection, and secure encrypted computation without relying on post-quantum algorithms for bulk data encryption. Experimental evaluation demonstrates that incorporating the Paillier cryptosystem introduces only modest computational overhead while preserving practical encryption latency, reducing key establishment latency by 28–35%, decreasing CPU utilization by 22%, and maintaining bandwidth overhead below 12% compared with conventional hybrid deployment architectures that perform secure communication without privacy-preserving aggregation. These results demonstrate that the proposed integration of CRYSTALS-Kyber, AES-GCM, and the Paillier cryptosystem provides an effective balance between quantum resilience, computational efficiency, and privacy-preserving analytics, making LHPQCA suitable for next-generation academic attendance systems and other resource-constrained educational applications.

Keywords - Post-Quantum Cryptography, Hybrid Cryptographic Algorithm, CRYSTALS-Kyber, Key Encapsulation Mechanism (KEM), AES-GCM, Paillier Cryptosystem, Privacy-Preserving Analytics.

Enhancing System Security Using Cryptographic Algorithms for Student Attendance Management

2026-02-22T07:36:24+00:00

Student attendance records are essential for academic administration, performance monitoring, and institutional decision-making. However, conventional digital attendance systems remain vulnerable to unauthorized access, data tampering, replay attacks, and information leakage, which may compromise the confidentiality and integrity of attendance data. This study proposes a hybrid cryptographic framework for securing student attendance management systems by integrating AES-256 for data encryption, RSA-2048 for secure session key exchange and authentication, and SHA-256 for integrity verification. The proposed framework protects attendance records throughout the entire data lifecycle, including data collection, transmission, storage, and retrieval. Experimental evaluation was conducted using simulated attendance datasets ranging from 100 to 10,000 records to assess encryption time, decryption time, computational overhead, and security effectiveness. The results indicate that the proposed framework maintains efficient computational performance while significantly enhancing confidentiality, integrity, authentication, and resistance to unauthorized access, replay attacks, data tampering, and man-in-the-middle attacks compared with conventional single-algorithm approaches. These findings demonstrate that the proposed hybrid cryptographic framework provides a reliable, scalable, and practical security solution for modern student attendance management systems.

Keywords- Student Attendance Management, AES-256, RSA-2048, SHA-256, Hybrid Cryptography

Analisis Kebutuhan Pengembangan Framework Game-Based Learning Berbasis AI–IoT untuk Peningkatan Kualitas Pembelajaran dan Otomatisasi Asesmen di Pendidikan Menengah

2026-07-10T11:01:23+00:00

Perkembangan teknologi digital mendorong sekolah untuk mengadopsi pendekatan pembelajaran yang lebih inovatif, interaktif, dan berpusat pada peserta didik. Meskipun pemanfaatan Game-Based Learning (GBL), Artificial Intelligence (AI), dan Internet of Things (IoT) dalam pendidikan terus berkembang, penelitian yang mengkaji kebutuhan pengguna sebagai dasar pengembangan framework terintegrasi masih relatif terbatas. Penelitian ini bertujuan untuk menganalisis kebutuhan guru dan peserta didik terhadap pengembangan Framework Game-Based Learning berbasis AI–IoT untuk mendukung peningkatan kualitas pembelajaran dan otomatisasi asesmen di pendidikan menengah. Penelitian menggunakan pendekatan mixed-methods dengan desain analisis kebutuhan. Data dikumpulkan melalui kuesioner daring yang melibatkan 51 peserta didik dan 12 guru, serta wawancara semi-terstruktur terhadap lima guru. Hasil penelitian menunjukkan bahwa peserta didik memiliki tingkat kebutuhan yang tinggi (M = 3,95), sedangkan guru menunjukkan tingkat kebutuhan yang sangat tinggi (M = 4,58) terhadap framework yang diusulkan. Dimensi Learning Analytics, Automated Assessment, dan AI Feedback & Recommendation menjadi kebutuhan utama bagi kedua kelompok responden. Temuan wawancara mengungkapkan bahwa guru masih menghadapi kendala dalam proses asesmen manual, pemberian umpan balik, dan pemantauan perkembangan belajar siswa. Berdasarkan hasil analisis kebutuhan, penelitian ini mengusulkan framework yang terdiri atas enam komponen utama, yaitu Learning Content, Game-Based Learning, Automated Assessment, AI Feedback and Recommendation, Learning Analytics, dan IoT Integration. Framework tersebut diharapkan menjadi landasan bagi pengembangan sistem pembelajaran yang lebih adaptif, efisien, dan berkelanjutan.

Keywords - Game-Based Learning; Artificial Intelligence; Internet of Things; Analisis Kebutuhan; Pendidikan Menengah

Hybrid MobileNetV2 and Graph Convolutional Networks for Clove Leaf Nutrient Deficiency Classification

2026-07-17T09:59:56+00:00

Nutrient deficiency is one of the major factors affecting the productivity of clove (Syzygium aromaticum) plants. Conventional diagnostic methods, including laboratory analysis and visual inspection, are often time-consuming, destructive, or subjective. This study proposes a hybrid deep learning framework that integrates MobileNetV2 and Graph Convolutional Networks (GCNs) for automatic classification of nitrogen, phosphorus, and potassium (NPK) deficiencies in clove leaves. MobileNetV2 was employed as a feature extractor to generate visual embeddings, which were transformed into a graph representation using the K-Nearest Neighbors (KNN) algorithm. The resulting graph was then classified using a Graph Convolutional Network to exploit structural relationships among visually similar leaf samples. Experimental evaluation on four classes (Healthy, Nitrogen deficiency, Phosphorus deficiency, and Potassium deficiency) achieved an overall classification accuracy of 94.57%, with macro-average precision, recall, and F1-score of approximately 95%. These results indicate that integrating graph-based relational learning with convolutional feature extraction effectively improves nutrient deficiency classification in clove leaves and demonstrates the potential of the proposed framework for automated plant health monitoring in precision agriculture.

Keywords - Graph Convolutional Networks, MobileNetV2, NPK deficiency, Graph-based deep learning, Clove leaves.

Explainable Machine Learning for Food Calorie Prediction Using Tree-Based Ensemble Models and SHAP Analysis

2026-07-10T10:58:38+00:00

Accurate food calorie prediction is essential for nutritional assessment, dietary planning, and intelligent health applications. However, achieving high predictive accuracy while maintaining model interpretability remains a challenge for many machine learning approaches. This study proposes an explainable machine learning framework for food calorie prediction using tree-based ensemble models and SHAP (SHapley Additive exPlanations). A dataset containing 1,346 food samples with three nutritional attributes-proteins, fat, and carbohydrate-was used. Data preprocessing included logarithmic transformation and an 80:20 train-test split. Three machine learning models, namely Linear Regression, Random Forest, and XGBoost, were developed and evaluated using Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and the coefficient of determination (R²). Hyperparameter optimization for XGBoost was performed using RandomizedSearchCV with five-fold cross-validation. Experimental results showed that Random Forest achieved the best predictive performance with an MAE of 0.1149, RMSE of 0.2869, and an R² score of 0.9008, outperforming both XGBoost and Linear Regression. Cross-validation further demonstrated the robustness of the selected model, yielding a mean R² of 0.9316 with a standard deviation of 0.0239. Residual analysis indicated prediction errors centered near zero without noticeable systematic bias. SHAP analysis provided both global and local model interpretability, identifying carbohydrate as the most influential feature, followed by fat and proteins. The findings demonstrate that integrating tree-based ensemble learning with SHAP enables accurate and transparent calorie prediction, making the proposed approach suitable for nutritional decision support and explainable artificial intelligence applications.

Keywords - Food calorie prediction, Explainable artificial intelligence, SHAP, Random Forest, XGBoost, Machine learning, Nutritional analysis.

Automated Essay Scoring Berbahasa Indonesia Menggunakan Hybrid Retrieval-Augmented Generation dan Contrastive In-Context Learning

2026-07-08T03:27:11+00:00

Automated Essay Scoring (AES) untuk pendidikan biologi berbahasa Indonesia masih menghadapi tantangan akibat keterbatasan dataset beranotasi serta ketidakmampuan model encoder-only dalam mengaitkan proses penilaian dengan materi kurikulum. Meskipun Large Language Models (LLM) memiliki kemampuan generatif yang baik, penerapannya secara langsung masih menghadapi permasalahan halusinasi dan ketidaksesuaian dengan standar penilaian guru. Penelitian ini mengusulkan pipeline AES yang mengintegrasikan Hybrid Retrieval-Augmented Generation (RAG) dengan Question-Anchored Contrastive In-Context Learning (CICL). Hybrid retriever yang digunakan mengombinasikan sparse retrieval BM25, dense retrieval berbasis IndoBERT, serta automated keyword boosting. Studi ablasi terhadap 16 konfigurasi pada 312 esai biologi siswa sekolah menengah dilakukan untuk membandingkan paradigma zero-shot (Ollama) dan parameter-efficient fine-tuning (LoRA). Hasil menunjukkan bahwa penggabungan sederhana pada Hybrid RAG menyebabkan dilusi konteks. Kondisi ini membuat CICL berfungsi sebagai jangkar rubrik yang penting bagi model zero-shot (QWK = 0,7914). Temuan menarik mengungkap sebuah perbedaan perilaku: meskipun CICL meningkatkan kinerja model zero-shot, mekanisme ini justru bertindak sebagai informasi redundan yang menurunkan akurasi pada model LoRA (QWK = 0,8554) yang telah memiliki representasi internal. Temuan ini memberikan panduan empiris mengenai kapan penggunaan RAG dan CICL diperlukan dan kapan fine-tuning lebih sesuai untuk domain spesifik berbahasa Indonesia.

Kata Kunci - Automated Essay Scoring, Retrieval-Augmented Generation, Contrastive In-Context Learning, LoRA, Hybrid Retrieval, Pendidikan Biologi

Sistem Kontrol Nutrisi dan Suhu Pada Tanaman Hidroponik Pakcoy Menggunakan Metode Threshold

2026-07-10T10:56:31+00:00

Budidaya tanaman pakcoy menggunakan sistem hidroponik memerlukan pengawasan parameter nutrisi dan suhu udara, namun proses pemantauan nilai nutrisi dan suhu udara secara konvensional sering kali tidak konsisten dan tidak efisien waktu oleh karena itu penelitian ini bertujuan untuk membuat sistem kontrol nutrisi dan suhu pada tanaman hidroponik pakcoy menggunakan metode threshold, sistem ini menggunakan sensor TDS dan DHT22 sebagai input parameter dimana threshold diterapkan untuk mengaktifkan dan menonaktifkan akuator secara otomatis melalui protokol komunikasi MQTT agar dapat di akses dimanapun, Pendekatan yang diterapkan dalam penelitian ini menggunakan metode Penelitian dan Pengembangan atau Research and Development (R&D), yang terdiri dari beberapa tahap, yaitu analisis kebutuhan, perancangan sistem, implementasi, dan pengujian. Hasil pengujian menunjukkan bahwa algoritma threshold telah berhasil di terapkan pada sistem ini, sistem kontrol nutrisi membutuhkan durasi waktu selama 59 detik untuk menaikkan kepekatan dari 25 PPM menuju target 900 PPM pada volume 3 liter air. Sementara itu, sistem pendingin berhasil menurunkan suhu udara dari 32 °C ke target ideal 27 °C dengan durasi selama 1416 detik, dan pengujian komunikasi MQTT menunjukkan semua data berhaisl dikirim dengan persentase keberhasilan 100%. Hasil penelitian menujukan bahwa sistem yang dibuat dapat memantau dan mengontrol nutrisi dan suhu secara otomatis, real time, dan lebih efisien sehingga dinilai mampu memberikan kontribusi positif dalam mendongkrak kapasitas produksi budidaya hidroponik pakcoy.

Kata Kunci: Internet of Things (IoT);Threshold; Nutrisi; Suhu; Hidroponik Pakcoy.

Analisis Pemanfaatan Multimedia dan Artificial Intelligence dalam Mendukung Kesiapan Digital UMKM Pangan

2026-07-17T08:45:13+00:00

UMKM pangan berperan strategis dalam ketahanan ekonomi lokal, tetapi transformasi digitalnya sering terkendala oleh kemampuan produksi konten dan kesiapan teknologi. Penelitian ini menganalisis pemanfaatan multimedia dan Artificial Intelligence (AI) dalam mendukung kesiapan digital UMKM pangan dalam perspektif Technology Readiness. Data dari 136 UMKM pangan diproses melalui pembersihan data, pemeriksaan duplikasi, transformasi data, perhi-tungan skor kesiapan (scoring), dan analisis keterkaitan eksploratif untuk memetakan adopsi pada alur kerja promosi digital. Hasil menunjukkan bahwa 87,5% responden telah menggunakan media digital, 64,7% pernah membuat video promosi, 87,5% pernah mendengar AI, tetapi hanya 49,3% yang menggunakan AI untuk promosi dan 26,5% yang menggunakan AI khusus untuk video promosi. AI paling banyak dimanfaatkan pada tahap pra-produksi, yaitu ide konten, penyusunan script, dan caption, bukan untuk produksi video penuh. Berdasarkan temuan tersebut, penelitian menyusun model konseptual berbasis data yang memetakan profil UMKM, tingkat kesiapan, tahapan promosi digital, rekomendasi fitur AI, dan kebutuhan platform distribusi. Segmentasi kesiapan dengan algoritma K-Means (k=3, silhouette 0,451) menghasilkan tiga klaster UMKM, dan rancangan arsitektur sistem berpola input-process-output disusun untuk menggambarkan alur pemrosesan komputasional dari data profil UMKM menjadi rekomendasi fitur AI, sebagai dasar pengembangan sistem rekomendasi pada penelitian lanjutan.

Kata Kunci - UMKM pangan; adopsi multimedia; artificial intelligence; promosi digital; technology readiness

Pendekatan Hibrida K-Means Clustering Dan Algoritma Genetika Untuk Optimasi Penjadwalan Perkuliahan Di Politeknik Bisnis Indonesia

2026-07-17T08:33:36+00:00

Penyusunan jadwal perkuliahan merupakan permasalahan optimasi kombinatorial yang kompleks, terutama pada institusi vokasi seperti Politeknik Bisnis Indonesia, di mana alokasi ruang kelas dan laboratorium harus dikelola dengan presisi. Penyusunan secara manual rentan terhadap kesalahan (human error), memakan waktu lama, dan sering kali menghasilkan jadwal yang tumpang tindih. Penelitian ini mengusulkan pendekatan hibrida yang menggabungkan metode K-Means Clustering dan Algoritma Genetika untuk mengotomatisasi serta mengoptimalkan proses penjadwalan. Pada tahap pra-pemrosesan, K-Means Clustering diimplementasikan untuk mengklasifikasikan ruangan berdasarkan kapasitas kursi agar sesuai dengan estimasi rasio jumlah mahasiswa per kelas, yang bertujuan untuk mempersempit ruang pencarian (search space). Selanjutnya, Algoritma Genetika diterapkan sebagai mesin komputasi utama untuk mengevaluasi kromosom jadwal berdasarkan batasan mutlak (hard constraints), yaitu mencegah terjadinya bentrok jadwal mengajar dosen pada waktu yang bersamaan dan bentrok penggunaan ruangan fisik. Pengujian sistem menunjukkan bahwa pendekatan hibrida ini berhasil memproduksi 100% jadwal perkuliahan tanpa bentrok (fitness value = 1) dengan waktu eksekusi komputasi yang efisien. Selain otomasi cerdas, sistem informasi berbasis web menggunakan framework Laravel 13 yang dikembangkan juga mengakomodasi intervensi manusia (human-in-the-loop) melalui fitur override manual guna menangani penyesuaian kebijakan akademik insidental. Implementasi sistem ini terbukti mampu meningkatkan efisiensi tata kelola administrasi akademik dan mengeliminasi redudansi jadwal.

Kata Kunci - Algoritma Genetika; K-Means Clustering; Penjadwalan Akademik; Optimasi Kombinatorial; Sistem Informasi Akademik

Sistem Informasi Monitoring dan Kendali Perangkat Listrik Gedung Berbasis Interactive Floorplan Menggunakan ESP32

2026-07-10T10:50:47+00:00

Perkembangan teknologi Internet of Things (IoT) mendorong penerapan sistem monitoring dan kendali perangkat listrik pada lingkungan gedung secara real-time. Namun, sebagian besar sistem smart building masih menggunakan antarmuka berbasis daftar teks yang kurang efektif untuk memantau perangkat pada gedung dengan jumlah ruangan dan perangkat yang banyak. Penelitian ini bertujuan mengembangkan sistem informasi monitoring dan kendali perangkat listrik berbasis Interactive Floorplan menggunakan ESP32 dan Firebase Real-time Database. Sistem dikembangkan menggunakan aplikasi Android berbasis Kotlin dan Jetpack Compose, sedangkan Firebase Real-time Database digunakan sebagai media sinkronisasi data real-time antara aplikasi dan ESP32. Metode pengembangan yang digunakan adalah Waterfall. Pengujian fungsional menggunakan metode Black Box Testing menunjukkan seluruh fitur sistem berjalan sesuai kebutuhan. Hasil pengujian waktu respon menunjukkan rata-rata waktu respon sebesar 724 ms. Implementasi Interactive Floorplan memungkinkan visualisasi lokasi perangkat pada denah digital sehingga memudahkan proses monitoring dan pengendalian perangkat listrik.

Kata Kunci - IoT, ESP32, Interactive Floorplan, Firebase, Android

Perbandingan VGG16, ResNet50, dan EfficientNet-B0 untuk Klasifikasi Kematangan Jeruk Bali

2026-07-10T11:08:35+00:00

Kematangan buah jeruk bali menentukan kualitas dan harga jualnya di pasaran, namun klasifikasi secara manual sering kali bersifat subjektif dan rawan kesalahan. Penelitian ini bertujuan untuk membandingkan performa tiga arsitektur Convolutional Neural Network (CNN) berbasis transfer learning, yaitu VGG16, ResNet50, dan EfficientNet-B0, dalam mengklasifikasikan kematangan jeruk bali ke dalam kategori matang dan belum matang. Sebanyak 700 gambar lokal digunakan dan dibagi dengan rasio 70:15:15 untuk data pelatihan, validasi, dan pengujian. Metode yang diusulkan meliputi praproses gambar, augmentasi data secara real-time, serta fine-tuning model menggunakan bobot ImageNet sebelum diimplementasikan ke dalam antarmuka web Streamlit. Hasil evaluasi pada 105 gambar uji menunjukkan bahwa VGG16 memperoleh akurasi tertinggi sebesar 96,19%. Model ResNet50 mencatatkan waktu inferensi tercepat, yaitu 103,98 ms/gambar dengan akurasi 94,29%, sementara EfficientNet-B0 memiliki ukuran penyimpanan paling efisien (30,3 MB) dengan akurasi 88,57%. Dapat disimpulkan bahwa arsitektur VGG16 merupakan solusi otomatis paling optimal untuk klasifikasi kematangan jeruk bali guna meminimalkan kerugian pascapanen.

Kata kunci - Convolutional Neural Network, Kematangan Buah, Jeruk Bali, Transfer Learning, VGG16

Deteksi Kelelahan Real-Time Berbasis Pengolahan Citra Digital Sebagai Media Deteksi Perilaku Pengguna

2026-07-10T11:03:35+00:00

Kelelahan merupakan faktor tertinggi terjadinya kecelakaan kerja, hal ini disebabkan karena pendeteksian dan penanganan yang sangat lambat akibat tidak adanya penanganan dini ketika terjadi kelelahan. Oleh karena itu, dibutuhkan sebuah alat otomatis yang dapat mendeteksi terjadinya kelelahan kemudian memberikan alarm agar kelelahan segera bisa ditangani. Kelelahan ini dapat dideteksi melalui fitur fisik berupa gerakan kepala, gerakan mulut, dan posisi mata. Parameter-parameter ini dapat dideteksi menggunakan pengolahan citra digital, dimana aktivitas pengguna akan dipantau melalui kamera kemudian akan diklasifikasikan menggunakan metode YoloV8s-Pose dan Random Forest. Dengan sistem yang dirancang dan pengujian yang telah dilakukan, didapati akurasi dan tingkat kepercayaan sistem yang sangat tinggi yaitu pada kisaran akurasi 95% dengan Tingkat kepercayaan 0.83. Notifikasi telegram juga mempersingkat waktu pendeteksian dan penanganan terjadinya kelelahan. Oleh karena itu, dapat disimpulkan sistem ini secara akurat dan efektif berhasil mendeteksi dan menangani kelelahan dengan waktu yang singkat.

Kata kunci - Deteksi Objek, Kelelahan, Pengolahan Citra Digital, Sistem Peringatan Dini Otomatis, YoloV8

Pengaruh Karakteristik Citra Bawah Air terhadap Kinerja Metode Enhancement Menggunakan White Balance, CLAHE, dan Gamma Correction

2026-07-17T08:38:52+00:00

Kualitas citra bawah air sering mengalami degradasi akibat penyerapan dan hamburan cahaya yang menyebabkan penurunan kecerahan, kontras, serta dominasi warna (color cast). Kondisi tersebut memengaruhi efektivitas metode underwater image enhancement, sehingga diperlukan analisis karakteristik citra sebelum proses peningkatan kualitas dilakukan. Penelitian ini bertujuan menganalisis pengaruh karakteristik brightness, contrast, dan color cast terhadap kinerja metode White Balance, Contrast Limited Adaptive Histogram Equalization (CLAHE), Gamma Correction, serta dua metode kombinasi, yaitu White Balance–CLAHE dan CLAHE–White Balance. Sebanyak 243 citra dari dataset UIEB-Challenging dan OceanSet dievaluasi menggunakan metrik Underwater Image Quality Measure (UIQM) dan Underwater Color Image Quality Evaluation (UCIQE). Selanjutnya dilakukan pengujian statistik menggunakan One-Way ANOVA dan Tukey HSD untuk menguji signifikansi perbedaan performa antar metode. Hasil penelitian menunjukkan bahwa kombinasi CLAHE–White Balance menghasilkan nilai UIQM rata-rata tertinggi, sedangkan citra asli (raw image) memperoleh nilai UCIQE rata-rata tertinggi. Hasil One-Way ANOVA menunjukkan adanya perbedaan yang signifikan antar metode (p < 0,05), yang kemudian dikonfirmasi melalui uji Tukey HSD. Temuan ini menunjukkan bahwa efektivitas metode enhancement dipengaruhi oleh karakteristik citra serta urutan kombinasi metode yang digunakan.

Kata kunci - Underwater Image Enhancement, CLAHE, White Balance, UIQM, UCIQE.

Penerapan Finite State Machine pada Gamifikasi Edukasi Literasi Gizi Berbasis Android

2026-07-10T11:07:23+00:00

Pencapaian tujuan Program Makan Bergizi Gratis (MBG) menuntut pemahaman siswa terhadap nutrisi makanan yang mereka konsumsi. Proses edukasi yang monoton sering kali menjadi kendala dalam meningkatkan literasi gizi siswa sekolah dasar. Penelitian ini membangun media gamifikasi literasi gizi berbasis Android bernama NutriVo dengan memanfaatkan algoritma Finite State Machine (FSM) dan pendekatan Game Development Life Cycle (GDLC). Aplikasi ini menghadirkan dua minigame edukasi, yaitu Nutri Dash dan Quiz Battle, serta fitur peningkatan level karakter yang mengonversi data nutrisi MBG. Konversi ini mengubah protein menjadi Health Point, karbohidrat beserta energi menjadi Power, dan serat menjadi Stamina. Tiga diagram state FSM mengatur alur logika minigame dan peningkatan karakter secara deterministik. Pengujian User Acceptance Testing (UAT) pada 17 siswa kelas 5 SDN Cisuda menghasilkan predikat Sangat Baik untuk fungsionalitas dan kemudahan penggunaan. Pengujian pre-test dan post-test menunjukkan peningkatan nilai rata-rata dari 40,00 menjadi 88,24, dengan rerata N-Gain Score 0,81 berkategori Tinggi. Hasil ini membuktikan peran NutriVo dalam mendorong peningkatan literasi gizi siswa penerima Program Makan Bergizi Gratis.

Kata Kunci - Gamifikasi, Literasi Gizi, NutriVo, Finite State Machine, Program Makan Bergizi Gratis

Comparative Performance of Tree-Based Machine Learning Algorithms for Horizontal Visibility Classification at Soekarno–Hatta International Airport Using Meteorological and PM2.5 Data

2026-07-17T09:50:23+00:00

Low horizontal visibility phenomena are a major threat to aviation safety and operational efficiency, particularly at Soekarno–Hatta International Airport (WIII), which is vulnerable to fog and haze arising from complex interactions between meteorological conditions and air quality. This study develops and comparatively evaluates four tree-based machine learning algorithms as independent base learners, Random Forest, Extra Trees, XGBoost, and LightGBM, for horizontal visibility classification, without employing any ensemble learning scheme. The dataset comprises AWOS meteorological observations integrated with PM2.5 concentrations from 2021 to 2025. Results show that XGBoost achieved the best performance, with 97.62% accuracy, 97.65% F1-score, and an AUC-ROC of 0.9926, followed by LightGBM, Random Forest, and Extra Trees. Feature importance analysis identified PM2.5 as the most dominant predictor, followed by wind-related variables. These findings indicate that a well-optimized standalone base learner can achieve competitive predictive performance while offering greater interpretability and computational efficiency for operational implementation.

Keywords: horizontal visibility, machine learning, PM_2.5, XGBoost, aviation meteorology

Implementasi Arsitektur Transformer GPT-2 untuk Prediksi Kata Selanjutnya pada Teks Resep Masakan Indonesia

2026-07-17T09:01:37+00:00

Pemrosesan bahasa alami untuk domain spesifik memerlukan model yang mampu memahami struktur kalimat yang unik dan kosakata informal. Penelitian ini mengimplementasikan arsitektur Transformer bergaya GPT-2 yang dibangun dari awal untuk tugas prediksi kata selanjutnya (next-word prediction) pada teks resep masakan Indonesia. Dataset yang digunakan terdiri dari 14.945 resep masakan, yang ditokenisasi menggunakan metode SentencePiece Byte Pair Encoding (BPE) dengan vocabulary size sebanyak 8.000 token. Model causal language yang diusulkan memiliki 4 blok transformer, 4 attention heads, dan dimensi embedding sebesar 256, dengan total sekitar 5,26 juta parameter yang dapat dilatih. Proses pelatihan dilakukan menggunakan optimizer AdamW selama 30 epoch. Evaluasi pada data Data uji (test set) menghasilkan nilai cross-entropy loss sebesar 2,8471 dan perplexity sebesar 17,24. Selain itu, model ini berhasil mencapai akurasi Top-1 sebesar 40,07% dan akurasi Top-5 sebesar 67,72%. Pengujian decoding interaktif menggunakan strategi greedy, top-k, dan nucleus sampling menunjukkan kemampuan model yang baik dalam menghasilkan instruksi langkah memasak yang relevan secara kontekstual. Hasil ini menunjukkan bahwa arsitektur GPT-2 berskala kecil sangat efektif untuk tugas pembuatan teks yang spesifik pada domain tertentu.

Kata kunci - Prediksi Kata Selanjutnya, GPT-2, Transformer, Byte Pair Encoding, Resep Masakan

Perbandingan Arsitektur ResNet18 dan ConvNeXt-Tiny untuk Klasifikasi Jenis Ikan Berbasis Transfer Learning

2026-07-17T08:13:31+00:00

Identifikasi jenis ikan merupakan proses penting dalam sektor perikanan, namun metode konvensional yang mengandalkan pengamatan visual masih memiliki keterbatasan dalam hal efisiensi dan akurasi. Penelitian ini bertujuan untuk mengklasifikasikan jenis ikan menggunakan metode Convolutional Neural Network (CNN) berbasis transfer learning dengan membandingkan arsitektur ResNet18 dan ConvNeXt-Tiny. Dataset yang digunakan adalah Fish Dataset dari Kaggle yang terdiri dari 13.304 citra ikan. Tahap preprocessing meliputi resize citra menjadi 224×224 piksel, normalisasi, transformasi tensor, dan augmentasi data. Proses pelatihan dilakukan menggunakan optimizer Adam dan fungsi loss CrossEntropyLoss dengan variasi epoch 10 hingga 100. Hasil menunjukkan bahwa kedua model mengalami peningkatan akurasi seiring bertambahnya jumlah epoch. ResNet18 menunjukkan kemampuan adaptasi yang lebih cepat pada tahap awal pelatihan, sedangkan ConvNeXt-Tiny memberikan performa yang lebih baik pada tahap akhir. Accuracy tertinggi diperoleh ConvNeXt-Tiny sebesar 96,93%, lebih tinggi dibandingkan ResNet18 sebesar 94,26%. Selain itu, ConvNeXt-Tiny menunjukkan peningkatan performa yang lebih konsisten seiring bertambahnya epoch pelatihan. Hasil menunjukkan bahwa transfer learning efektif diterapkan pada klasifikasi jenis ikan dan ConvNeXt-Tiny memiliki kemampuan yang lebih baik dalam merepresentasikan fitur visual citra ikan.

Kata Kunci - Klasifikasi Jenis Ikan, CNN, Transfer Learning, ResNet18, ConvNeXt-Tiny.

Sistem Pendukung Keputusan Rekomendasi Lineup Magic Chess: Go Go Berbasis Entropy-TOPSIS Berdasarkan Commander Pemain, Commander Lawan, dan Rank

2026-07-10T10:55:10+00:00

Penelitian ini mengembangkan sistem pendukung keputusan rekomendasi lineup Magic Chess: Go Go berbasis Entropy-TOPSIS, minimum support, dan Laplace smoothing. Filtering kontekstual dan fallback bertingkat hanya digunakan untuk membentuk kandidat, sedangkan alternatif dikelompokkan berdasarkan sinergi utama dan hero core. Alternatif dengan dukungan kurang dari tiga pertandingan dikeluarkan dari peringkat utama, sementara win rate dan top 4 rate dikoreksi menggunakan prior Beta(1,1) untuk mengurangi nilai ekstrem pada sampel kecil. Pada input Guinevere melawan Nana di rank Mythical Honor, cakupan exact tidak menghasilkan data, sedangkan cakupan commander pemain plus rank menghasilkan 8 pertandingan yang membentuk 7 alternatif, tetapi tidak satu pun memenuhi minimum support. Sistem kemudian memilih fallback berdasarkan rank yang memuat 420 pertandingan, 62 alternatif memenuhi syarat, dan 61 alternatif dikeluarkan. Tiga rekomendasi teratas adalah 4 Bruiser dengan Belerick (0,667866), 4 Stargazer dengan Luo Yi (0,640921), dan 4 Heartbond dengan Fanny (0,599140). UAT dilaksanakan terhadap 23 responden pada 25-31 Juli 2026 dan menghasilkan rata-rata penerimaan 84,42% serta keberhasilan tugas 95,65%. Namun, relevansi terhadap commander dan matchup masih lebih rendah karena seluruh kasus uji mencapai fallback berdasarkan rank. Metode revisi mencegah alternatif satu pertandingan mendominasi peringkat dan menampilkan batas kekuatan bukti setiap rekomendasi secara transparan.

Kata kunci - TOPSIS, sistem rekomendasi, Magic Chess: Go Go, lineup, sistem pendukung keputusan.

Perbandingan Linear Regression dan Random Forest untuk Prediksi Harga Cryptocurrency

2026-07-10T10:52:26+00:00

Perkembangan Cryptocurrency yang pesat menjadikan aset digital seperti BNB dan ETH semakin diminati oleh investor, namun volatilitas harga yang tinggi juga meningkatkan risiko kerugian. Oleh karena itu, diperlukan metode prediksi yang dapat membantu memahami arah pergerakan harga secara lebih terukur. Penelitian ini bertujuan untuk memperkirakan pergerakan harga aset Cryptocurrency secara berbasis data. Penelitian ini juga bertujuan untuk mengukur kemampuan model dalam menangkap pola harga pada aset yang bersifat volatil menggunakan pendekatan Machine Learning, yaitu Random Forest Regression dan Linear Regression. Data yang digunakan berupa data historis periode 2020-2025. Proses pengolahan data meliputi preprocessing data, penerapan model Machine Learning dan evaluasi kinerja model menggunakan MSE, R², dan MAPE. Hasil penelitian menunjukkan bahwa model Random Forest Regression dan Linear Regression memiliki performa yang berbeda dalam memprediksi harga Cryptocurrency BNB dan ETH. Linear Regression menghasilkan MAPE 5,14% pada BNB dan 8,17% pada ETH. Sementara itu, Random Forest Regression menunjukkan performa yang lebih rendah dengan MAPE 15,02% pada BNB dan 9,65% pada ETH. Nilai tersebut menunjukkan tingkat kesalahan prediksi yang bervariasi. Dengan demikian, Linear Regression dinilai lebih mampu menangkap pola data yang kompleks dan fluktuatif, sehingga lebih direkomendasikan sebagai model prediksi harga Cryptocurrency dalam penelitian ini.

Kata kunci : Random Forest Regression; Linear Regression; Cryptocurrency; BNB; ETH; Machine Learning

Pendekatan Random Forest untuk Klasifikasi Tingkat Burnout Mahasiswa Berdasarkan Pola Aktivitas Harian

2026-07-16T10:30:42+00:00

Burnout akademik merupakan kondisi kelelahan fisik, emosional, dan mental akibat tingginya tuntutan kuliah yang dapat menurunkan motivasi serta kualitas hidup mahasiswa. Oleh karena itu, diperlukan pendekatan yang mampu memberikan indikasi awal tingkat burnout secara lebih cepat dan objektif. Penelitian ini bertujuan membangun sistem klasifikasi tingkat burnout mahasiswa berdasarkan pola aktivitas harian menggunakan algoritma Random Forest dengan kerangka CRISP-DM. Data penelitian diperoleh melalui kuesioner daring dari 1.026 mahasiswa Universitas Muhammadiyah Sukabumi. Variabel prediktor meliputi jam tidur, waktu istirahat, intensitas screen time, keteraturan pola tidur, dan beban akademik, dengan target klasifikasi tingkat burnout rendah, sedang, dan tinggi. Tahap prapengolahan data meliputi transformasi data, pelabelan, penanganan class imbalance menggunakan SMOTE, serta hyperparameter tuning menggunakan GridSearchCV. Model divalidasi menggunakan Stratified K-Fold Cross-Validation dan dievaluasi dengan pembagian data 80:20. Hasil penelitian menunjukkan bahwa model Random Forest memperoleh akurasi 88,83%, dengan nilai weighted average precision, recall, dan F1-score masing-masing 0,89. Model berhasil diimplementasikan ke dalam aplikasi berbasis web menggunakan Hugging Face untuk memberikan indikasi awal tingkat burnout mahasiswa. Hasil tersebut menunjukkan bahwa algoritma Random Forest memiliki performa yang baik dalam mengklasifikasikan tingkat burnout.

Kata Kunci - Burnout Akademik, Klasifikasi, Machine Learning, Pola Aktivitas Harian, Random Forest

Sistem Cerdas untuk Mengidentifikasi Ayam Sakit Berdasarkan Citra dan Data Perilaku

2026-07-16T10:29:03+00:00

Kesehatan ayam merupakan faktor penting dalam meningkatkan produktivitas peternakan. Pemantauan kesehatan yang masih dilakukan secara manual memerlukan waktu, bergantung pada pengalaman peternak, dan berisiko menyebabkan keterlambatan deteksi penyakit. Penelitian ini bertujuan mengembangkan sistem identifikasi kondisi kesehatan ayam berbasis kamera termal menggunakan algoritma YOLOv8 yang diimplementasikan pada NVIDIA Jetson Nano untuk mendukung pemantauan secara real-time dan non-invasif. Metode penelitian meliputi pengambilan citra termal, anotasi dataset menggunakan format YOLO, pembagian data menjadi training, validation, dan testing, serta pelatihan model YOLOv8n. Model terbaik kemudian diimplementasikan pada NVIDIA Jetson Nano dan diintegrasikan dengan kamera thermal untuk mendeteksi ayam sehat dan ayam sakit secara otomatis. Hasil penelitian menunjukkan bahwa model memperoleh Accuracy 96,67%, Precision 97,73%, Recall 95,56%, F1-Score 96,63%, mAP@50 96,57%, dan mAP@50–95 90,8%. Sistem mampu mendeteksi objek hingga jarak 10 m dengan waktu inferensi rata-rata 41,8 ms dan kecepatan 24 FPS sehingga memenuhi kebutuhan aplikasi real-time. Penggunaan kamera thermal memungkinkan identifikasi dilakukan tanpa kontak langsung dengan ayam. Dengan demikian, sistem yang dikembangkan mampu bekerja secara otomatis, akurat, cepat, dan berpotensi membantu peternak dalam pemantauan kesehatan ayam secara lebih efektif dan efisien.

Kata Kunci - Artificial Intelligence (AI), Computer Vision, Deep Learning, NVIDIA Jetson, YOLO

IoT-Based Early Warning System for Brake Fading Risk Based on the Increase Rate in Temperature and Vehicle Speed

2026-07-17T09:54:05+00:00

Brake fading is a critical safety problem caused by excessive heat accumulation on disc brake components during repeated or prolonged braking, leading to a significant reduction in braking force. This research develops an ESP32-based early warning system that monitors disc brake temperature and vehicle speed in real time to detect brake fading risk before a critical condition occurs. The system uses a K-type thermocouple with a MAX6675 module for temperature acquisition and a BN-220 GPS module for speed acquisition, with OLED, LED, and buzzer as local outputs, plus a Telegram bot and web dashboard for remote monitoring. The R&D method was applied, covering design, hardware/firmware implementation, sensor calibration, and road testing on a real vehicle. Calibration results show a thermocouple accuracy of 97.10% (error 2.90%) and a GPS speed-reading accuracy with an average error of 2.75% against the vehicle speedometer. Road tests across six speed variations (20–120 km/h) confirm that brake disc temperature rises proportionally with speed, with the warning indicator correctly switching from green to yellow at the caution threshold and to red with an active buzzer above the critical threshold. The system is expected to serve as a preventive safety tool supporting motor vehicle inspection and testing.

Keywords – brake fading, early warning system, disc brake, ESP32, Internet of Things

Design and Development of an IoT-Based Web Monitoring System for Temperature and Humidity Using Fuzzy Logic Inference

2026-07-17T09:45:26+00:00

Most Internet of Things (IoT)-based environmental monitoring systems primarily present raw sensor data, requiring users to interpret environmental conditions manually. This research focuses on developing a web-based IoT monitoring system for temperature and humidity, incorporating a Mamdani Fuzzy Logic Inference System (FIS) to interpret environmental conditions more effectively and support informed decision-making. The proposed system's novelty lies in integrating real-time IoT monitoring with fuzzy inference, enabling evaluation based on gradual transitions in temperature and humidity rather than rigid threshold boundaries. The system was implemented using an ESP32 microcontroller, a DHT22 sensor, a MySQL database, and a web-based dashboard. System evaluation included functional testing, end-to-end latency measurement, and continuous monitoring to assess system uptime and transmission performance. The functional testing confirmed that all major system modules operated successfully. The system achieved an average end-to-end latency of 230.02 ms across 50 consecutive transmissions and 100% uptime during an 8-hour continuous monitoring period, with 4,954 recorded transmissions and an average transmission interval of 5.81 s. The results show that the proposed system provides responsive, continuous environmental monitoring while integrating fuzzy-based environmental assessment to support more informed decision-making.

Keywords – Internet of Things, Environmental Monitoring, Web Monitoring, Mamdani Fuzzy Logic, Decision Support

Image Histogram Analysis in a Webcam-Based Non-Ionizing Tomographic System for Early Shrimp Disease Detection

2026-05-15T06:31:56+00:00

This study presents the development of a non-ionizing tomography imaging system using a webcam to detect diabetes-like metabolic disorders in Litopenaeus vannamei through digital image histogram analysis. The method employs controlled glucose injections (0–10 mL) to simulate metabolic variation, followed by optical image acquisition and RGB histogram characterization using Python-based GUI software. Calibration with a white-screen baseline ensures consistent optical response. Results show significant RGB histogram shifts correlating with glucose concentration changes, indicating optical density variations in shrimp tissues. The RGB mean intensity decreased by approximately 20–35% between 0 and 6 mL glucose concentration. Linear regression analysis within the 0–6 mL range yielded a sensitivity of 11.48 intensity units/mL with R² = 0.987, and an estimated detection limit of 0.4 mL equivalent glucose change. The method demonstrates potential as a non-invasive, low-cost diagnostic tool for early metabolic disorder detection in aquaculture.

Keywords - non-ionizing tomography, RGB histogram analysis, Litopenaeus vannamei, glucose detection, digital image processing

Strategic Development of 3D Printing Entrepreneurship Using SWOT–TOWS Analysis: A Case Study of the PopStudio Startup

2026-07-02T03:03:53+00:00

Indonesia's economic growth of 5.61% in Q1-2026 has accelerated digitalization in the creative industry, including 3D printing services. Despite its vast potential, the commercial adoption of digital manufacturing services like Pop Studio at the Business Incubator of Balai Diklat Industri Surabaya faces obstacles, namely low consumer 3D design literacy and the threat of price competition from competitors. This study aims to analyze the internal and external environment and formulate the optimal business development strategy for Pop Studio. Using a mixed-methods approach, primary data were collected through field observations, in-depth interviews, and questionnaires distributed to 36 target market respondents. The SWOT matrix mapping shows that Pop Studio has a strong competitive advantage in end-to-end solutions and functional spare part reverse engineering. The TOWS matrix formulation yields Strength-Opportunity (SO) strategies as the main priority, including providing end-to-end solutions, addressing industrial prototyping (jig & fixture) using PETG material, and expanding the creative experience service (coloring studio). The results of this study are expected to serve as a strategic guide for digital manufacturing startup managers in building competitive advantages in the Industry 4.0 era.

Keywords - 3D Printing, Business Strategy, SWOT Analysis, TOWS Matrix, Business Incubator.

Analisis Sentimen, Linguistik, dan Spasial Pada Program Makan Bergizi Gratis Menggunakan LSTM dan GRU

2026-06-13T07:24:30+00:00

Penelitian ini memetakan sentimen publik serta pola linguistik, temporal, dan spasial opini mengenai Program Makan Bergizi Gratis (MBG) pada X, sekaligus membandingkan kinerja Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) untuk klasifikasi sentimen. Penelitian menggunakan pendekatan kuantitatif berbasis text mining pada tweet berbahasa Indonesia periode Januari sampai Agustus 2025. Pengumpulan data berbasis kata kunci menghasilkan 13.486 tweet yang difokuskan pada konteks sekolah menengah atas dan menjadi 12.476 tweet setelah penghapusan duplikasi. Pelabelan dilakukan melalui anotasi manual dan bantuan IndoBERT, sedangkan ketidakseimbangan kelas pada data latih ditangani menggunakan ADASYN. Evaluasi dilakukan melalui stratified 10-fold cross-validation dan data uji terpisah. LSTM memberikan kinerja terbaik dengan akurasi 77,63%, presisi 77,51%, recall 77,40%, F1-score 77,46%, dan AUC 91,54%, sedangkan GRU memperoleh akurasi 75,59% dan F1-score 75,40%. Analisis linguistik menunjukkan bahwa sentimen negatif berpusat pada kualitas makanan dan anggaran, sedangkan sentimen positif menonjolkan manfaat gizi, pemerataan, dan masa depan anak. Temuan ini menegaskan bahwa evaluasi kebijakan perlu menggabungkan performa model dengan konteks linguistik dan wilayah.

Kata kunci: Analisis Sentimen, Gated Recurrent Unit, Long Short-Term Memory, Pemrosesan Bahasa Alami, Program Makan Bergizi Gratis