Techno.Com

Behavioral Manipulation In Big Data Implementation: Systematic Literature Review

Hendi Sama, Mangapul Siahaan, Nancy Vanessa — Thu, 26 Feb 2026 00:00:00 +0000

This study investigated the phenomenon of behavioral manipulation in big data implementation through a systematic literature review of thirty peer-reviewed articles published between 2020 and 2025. The objective of the review was to provide a comprehensive understanding of the mechanisms, impacts, and mitigation strategies related to the use of big data for influencing human behavior. The review was conducted following the PRISMA 2020 framework, ensuring transparency and reproducibility in the selection and evaluation process. Out of an initial 250 records identified across major academic databases, 30 studies were ultimately included based on predefined inclusion and exclusion criteria. The analysis revealed that behavioral manipulation was primarily executed through algorithmic recommendation systems, dynamic pricing models, deceptive interface design, and data-driven persuasion techniques. The reviewed studies indicated that such practices compromised individual autonomy, shaped consumer and political decisions, and contributed to psychological strain and social inequality. The findings also highlighted the paradox of algorithmic transparency, showing that disclosure without user comprehension could legitimize manipulation rather than reduce it. Furthermore, evidence suggested that emerging interventions, such as dynamic consent mechanisms and independent algorithmic audits, showed potential in restoring trust and protecting user rights, although their implementation remained limited. Approximately 83.3% of the reviewed studies concluded that behavioral manipulation through big data is a multidimensional challenge requiring an integrated response that combines technical safeguards, ethical design, adaptive regulation, and enhanced digital literacy.

Keywords - Behavioral manipulation, Big data implementation, Decision making

Implementasi Attention-Based BiLSTM dengan LoRA Parameter Tuning untuk Analisis Sentimen Ulasan Destinasi Wisata

Thu, 26 Feb 2026 00:00:00 +0000

Industri pariwisata merupakan salah satu sektor paling krusial dalam perekonomian Indonesia dan Bali, hal ini ditunjukkan oleh opini yang terdapat di media sosial dan situs pariwisata. Pada tahun 2024, situs informasi perjalanan TripAdvisor mengambil data sebanyak 31.1 juta ulasan objek wisata, yang mengungkap 2.7 juta ulasan palsu. Pengguna Indonesia menempati peringkat tertinggi dalam perihal jumlah ulasan berbayar, terutama untuk Bali, yang menempati posisi kedua di dunia dalam popularitas. Studi ini meneliti pengaruh metode parameter efficient fine-tuning, yaitu LoRA atau Low-Rank Adaptation, pada model Attention-Based Bi-directional Long-Short Term Memory (BiLSTM) dalam melakukan analisis sentimen ulasan objek wisata di Bali. Data yang dikumpulkan berasal dari ulasan wisata oleh pengguna di situs web TripAdvisor, yang terdiri dari 4966 sampel data. Berdasarkan evaluasi, model BiLSTM berbasis perhatian ini mencapai skor akurasi sebesar 0.78037 dibandingkan dengan model BiLSTM berbasis perhatian dengan LoRA, yang mencapai skor 0.79907. Waktu pelatihan untuk model Attention-Based BiLSTM dengan LoRA juga secara signifikan mengurangi waktu pelatihan dan penggunaan memori. Penelitian ini menunjukkan bahwa Low-Rank Adaptation efektif dalam meningkatkan kinerja dan efisiensi model ini.

Kata kunci - Pariwisata Bali, Machine Learning, Analisis Sentimen, BiLSTM, LoRA

Analisis Preferensi Pengunjung Wisata Kabupaten Pekalongan Menggunakan Algoritma Decision Tree

Muhamad Rizaludin, Husni Hidayat, Mujibul Hakim — Thu, 26 Feb 2026 00:00:00 +0000

Pariwisata merupakan sektor strategis yang memiliki potensi besar dalam meningkatkan pertumbuhan ekonomi daerah, termasuk di kabupaten Pekalongan. Dalam upaya meningkatkan daya saing dan efektivitas promosi wisata, dibutuhkan pemahaman yang mendalam terhadap preferensi pengunjung. Penelitian ini bertujuan untuk menganalisis preferensi pengunjung wisata berdasarkan atribut demografis seperti jenis kelamin, usia, tingkat pendidikan, dan pekerjaan, serta kategori wisata yang diminati. Algoritma Decision Tree digunakan sebagai metode klasifikasi untuk memodelkan hubungan antara data demografis dan ketegori wisata yang dipilih. Tahapan penelitian meliputi pengumpulan data, preprocessing, pemisahan data menjadi training dan testing, pembangunan model Decision Tree, evaluasi kinerja model, hingga interpretasi hasil pohon keputusan. Data dikumpulkan dari 500 responden lokal melalui kuesioner online dan diproses secara sistematis meliputi imputasi nilai hilang, penghapusan duplikasi, validasi kategori, encoding numerik serta oversampling untuk menangani ketidakseimbangan kelas. Model klasifikasi dibangun menggunakan algoritma Decision Tree, dengan pembagian data latih dan uji. Evaluasi terhadap data uji menunjukkan akurasi sebesar 76,92%, dan model mampu menginterpretasikan faktor-faktor demografis yang paling efektif dalam memprediksi kategori wisata sesuai preferensi pengunjung.

Kata Kunci - Decision Tree, Preferensi Pengunjung Wisata, Klasifikasi Demografis, Rekomendasi Wisata

Sistem Deteksi Kesalahan Penulisan Karya Ilmiah Dengan Metode Natural Language Processing Pada Ejaan KBBI

Bagus Dwi Prasetyo, Wibowo Harry Sugiharto, Muhammad Imam Ghozali — Thu, 26 Feb 2026 00:00:00 +0000

Penulisan karya ilmiah yang sesuai dengan kaidah Bahasa Indonesia merupakan hal penting dalam dunia akademik. Namun, masih banyak ditemui kesalahan ejaan dan penggunaan kata tidak baku dalam dokumen ilmiah. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem deteksi kesalahan penulisan karya ilmiah menggunakan metode Natural Language Processing (NLP) berbasis ejaan Kamus Besar Bahasa Indonesia (KBBI). Sistem dibangun menggunakan pendekatan Waterfall dengan implementasi berbasis web menggunakan Python dan library NLP seperti spaCy, Sastrawi, dan NLTK. Proses deteksi melibatkan tahapan case folding, tokenisasi, stemming, Named Entity Recognition (NER), pencocokan dengan database KBBI, serta koreksi ejaan menggunakan algoritma Levenshtein Distance. Evaluasi sistem dilakukan menggunakan dataset karya ilmiah yang telah dianotasi secara manual dan menghasilkan akurasi 92%, presisi 92%, recall 93%, dan F1-score 92%. Hasil tersebut menunjukkan bahwa sistem mampu mendeteksi kesalahan ejaan dengan baik dan memberikan saran perbaikan secara efektif. Penelitian ini diharapkan dapat membantu meningkatkan kualitas penulisan akademik di Indonesia.

Kata Kunci – Natural Language Processing, KBBI, Deteksi Ejaan, Karya Ilmiah

Penerapan Autoencoder untuk Ekstraksi Fitur pada Model RF dan MLP dalam Deteksi Serangan SQL Injection

Franki Setyo Wargo, Much Aziz Muslim — Thu, 26 Feb 2026 00:00:00 +0000

Serangan SQL Injection (SQLi) merupakan ancaman serius bagi aplikasi web karena dapat mengeksploitasi kerentanan pada akses database untuk memanipulasi data sensitif, sehingga diperlukan sistem deteksi serangan yang lebih adaptif dan akurat. Urgensi ini muncul karena metode deteksi berbasis machine learning yang ada masih mengandalkan rekayasa fitur manual dan kurang responsif terhadap pola serangan baru. Penelitian terdahulu menunjukkan bahwa model seperti Random Forest (RF) dan Multi-Layer Perceptron (MLP) memiliki ketergantungan tinggi pada kualitas fitur manual, sehingga performanya tidak stabil. Penelitian ini bertujuan mengembangkan model deteksi SQLi yang lebih adaptif, efisien, dan tidak bergantung pada feature engineering manual. Autoencoder (AE) diusulkan sebagai automated feature extractor untuk mempelajari representasi laten berdimensi rendah secara mandiri. Hasil representasi laten non-linear akan digunakan sebagai input untuk model RF dan MLP. Selain akurasi, penelitian ini mengevaluasi latency dan throughput untuk menilai kinerja dalam skenario traffic nyata. Hasil eksperimen menunjukkan kombinasi Model MLP dan AE mencapai kinerja tertinggi dengan nilai akurasi 99,57% dan AUC 99,88%, Kombinasi ini juga menunjukkan efisiensi komputasi tinggi, ditunjukkan oleh latency rendah dan throughput tinggi, sehingga layak diterapkan pada traffic nyata. Penelitian selanjutnya disarankan mengeksplorasi arsitektur lebih dalam seperti encoder berbasis transformer untuk menghadapi pola serangan zero-day.

Kata kunci - SQL Injection, Autoencoder, Random Forest, MLP, Machine Learning.

Pengembangan Chatbot Generatif untuk Manajemen Aktivitas Mahasiswa di Perguruan Tinggi

Syaeful Anas Aklani, Delvin Jason, Hendi Sama — Thu, 26 Feb 2026 00:00:00 +0000

Penelitian ini bertujuan mengembangkan dan mengevaluasi chatbot berbasis kecerdasan buatan generatif untuk manajemen aktivitas mahasiswa dengan arsitektur server-side context injection. Pendekatan yang digunakan menggabungkan dua tahapan: (1) eksperimen A/B yang membandingkan baseline prompt dan engineered prompt, serta (2) survei penerimaan pengguna berdasarkan model Unified Theory of Acceptance and Use of Technology (UTAUT) yang diperluas dengan konstruk AI Credibility Assurance (AICA). Hasil eksperimen terhadap 100 kueri menunjukkan bahwa engineered prompt secara signifikan meningkatkan relevansi, kelengkapan, dan kegunaan keluaran (p < 0.001), serta mengindikasikan tren peningkatan akurasi faktual dan kepatuhan struktur JSON. Survei terhadap 321 responden memperlihatkan bahwa seluruh konstruk UTAUT yang diperluas reliabel dan model pengukuran memiliki kecocokan yang sangat baik. Analisis model struktural SEM menunjukkan bahwa Facilitating Conditions dan Performance Expectancy merupakan kontributor utama terhadap Behavioral Intention, diikuti oleh Effort Expectancy, Social Influence, dan AICA, seluruh jalur pengaruh bersifat positif dan signifikan. Temuan ini mengindikasikan bahwa desain prompt yang tepat dan pengelolaan konteks yang baik berpotensi meningkatkan kualitas keluaran sekaligus mendukung terbentuknya kepercayaan dan niat adopsi pengguna di lingkungan pendidikan tinggi.

Kata Kunci - Chatbot Generatif, Prompt Engineering, Injeksi Konteks Sisi-Server, UTAUT, AI Credibility Assurance (AICA).

Analisis Sentimen Pada Media Sosial X Terhadap Pemimpin Muda Menggunakan Pendekatan Algoritma Support Vector Machine

Muhammad Makmun Effendi, Ermanto Ermanto, Ahmad Turmudi Zy, Arif Siswandi — Thu, 26 Feb 2026 00:00:00 +0000

Media sosial telah menjadi sarana utama bagi masyarakat untuk menyampaikan opini dan persepsi terhadap tokoh publik, termasuk pemimpin muda. Platform X (Twitter) menyediakan data teks yang kaya dan dinamis yang mencerminkan sentimen publik secara luas. Penelitian ini bertujuan untuk menganalisis sentimen pengguna media sosial X terhadap pemimpin muda menggunakan pendekatan algoritma Support Vector Machine (SVM). Dataset yang digunakan dalam penelitian ini terdiri dari 12.487 tweet yang dikumpulkan melalui teknik crawling pada rentang waktu Januari hingga Juni 2024. Tahapan praproses data meliputi case folding, penghapusan stopword, normalisasi, tokenisasi, stemming, pelabelan data, serta ekstraksi fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Selanjutnya, algoritma SVM diterapkan untuk mengklasifikasikan sentimen ke dalam tiga kelas, yaitu positif, negatif, dan netral. Evaluasi kinerja model dilakukan menggunakan confusion matrix dan metode 10-fold cross-validation. Hasil penelitian menunjukkan bahwa algoritma SVM mampu mengklasifikasikan sentimen dengan baik, dengan nilai akurasi sebesar 84,66%, precision 84,12%, recall 83,74%, dan F1-score 83,93%. Analisis distribusi sentimen menunjukkan bahwa sentimen positif mendominasi dengan persentase 41,18%, diikuti sentimen negatif sebesar 34,64%, dan sentimen netral sebesar 24,18%. Temuan ini menunjukkan bahwa pendekatan SVM berbasis TF-IDF efektif digunakan untuk analisis sentimen pada data Twitter berskala besar serta mampu memberikan gambaran yang reliabel mengenai persepsi publik terhadap pemimpin muda.

Kata Kunci- Analisis Sentimen, Twitter, Pemimpin Muda, SVM, dan Media Sosial

Deteksi Adware Berbasis Machine Learning Menggunakan Cluster-Aware Stacking Ensemble

Karfindo Karfindo, Muhammad Diponegoro, Yusril Eka Mahendra, Mohamad Arifin — Thu, 26 Feb 2026 00:00:00 +0000

Adware pada Android mengganggu pengalaman pengguna serta meningkatkan risiko privasi dan keamanan. Sebagian studi deteksi adware masih dievaluasi dengan pembagian data acak, sehingga kurang merepresentasikan pergeseran distribusi (out-of-distribution/OOD). Penelitian ini mengevaluasi Cluster-Aware Stacking (CAS) dengan validasi silang berbasis klaster (C_ClusterOOD) agar estimasi kinerja lebih mendekati kondisi penerapan. Dataset CICMalDroid 2020 difilter menjadi dua kelas, adware dan benign, menghasilkan 3.045 sampel dengan 470 fitur numerik (1.253 adware; 1.792 benign). Pembagian hold-out 80:20 menggunakan skema anti-kebocoran berbasis grup. Model dasar meliputi Logistic Regression, Random Forest, Gradient Boosting, dan XGBoost, dengan Soft Voting sebagai pembanding. Pada evaluasi berbasis klaster, CAS memberikan performa yang kompetitif pada metrik F1 adware dan MCC. Pada uji hold-out, konfigurasi terbaik mencapai akurasi 0,977, F1 adware 0,972, dan MCC 0,952, dengan ROC-AUC mendekati 1,0. Hasil ini menunjukkan bahwa evaluasi berbasis klaster membantu memilih model yang lebih robust untuk deteksi adware Android.

Kata Kunci – Android adware, machine learning, ensemble learning, stacking ensemble, out-of-distribution

Sistem Klasifikasi Tingkat Resiko pada Pengguna Judi Online Berdasarkan Pola Perilaku dan Skor PGSI

Andika Chandra Prasetyo, Toto Sudibyo, Moh Miftah, Nurkhayati Nurkhayati — Thu, 26 Feb 2026 00:00:00 +0000

Pertumbuhan pesat aktivitas perjudian online telah menimbulkan kekhawatiran signifikan karena dampak buruknya terhadap kesehatan mental, stabilitas finansial, dan fungsi sosial individu. Penelitian ini bertujuan untuk mengembangkan model klasifikasi berbasis pembelajaran mesin untuk membedakan tingkat risiko kecanduan judi di antara pengguna perjudian online dengan mengintegrasikan pola perilaku dan Problem Gambling Severity Index (PGSI). Pendekatan klasifikasi prediktif kuantitatif digunakan dengan data survei yang dikumpulkan dari 150 partisipan, di mana 138 respons awalnya dianggap valid. Setelah pra-pemrosesan data dan pemeriksaan kelengkapan, 3 respons dikeluarkan karena nilai yang hilang atau tidak konsisten, sehingga tersisa 135 sampel yang digunakan untuk pelatihan dan evaluasi model. Berdasarkan skor PGSI, tidak ada responden yang diklasifikasikan sebagai penjudi Non-Problem atau Low-Risk; oleh karena itu, tugas klasifikasi difokuskan secara eksklusif pada pembedaan individu Moderate-Risk dan High-Risk. Dua algoritma klasifikasi, Naïve Bayes dan Decision Tree, diimplementasikan dan dievaluasi menggunakan Stratified 5-Fold Cross-Validation. Kinerja model dinilai menggunakan Accuracy, Precision, Recall, F1-Score, Confusion Matrix, dan AUC-ROC. Hasil penelitian menunjukkan bahwa Naïve Bayes mengungguli Decision Tree, dengan akurasi 93% dan AUC-ROC sebesar 0,9601, sementara Decision Tree mencapai akurasi 91% dengan AUC-ROC sebesar 0,9021. Mengingat tidak adanya sampel Non-Problem dan Low-Risk, penelitian ini tidak merepresentasikan model deteksi dini untuk populasi umum, melainkan model stratifikasi risiko dalam sampel berisiko tinggi pengguna perjudian online. Temuan ini menyoroti potensi penggabungan indikator perilaku dan skor PGSI untuk mendukung pemantauan berbasis risiko serta strategi intervensi yang ditargetkan bagi individu dengan tingkat bahaya terkait perjudian yang tinggi.

Kata kunci – judi online, klasifikasi resiko, naïve bayes, decision tree, pgsi

Prediksi Aktivasi Irigasi Menggunakan Data Kelembapan Tanah Multi-Sensor Berbasis Machine Learning pada Sistem IoT

Ceorido Ghalib Wibowo, Much Aziz Muslim — Thu, 26 Feb 2026 00:00:00 +0000

Efisiensi penggunaan air merupakan aspek krusial dalam pertanian modern, terutama di wilayah dengan keterbatasan sumber daya air. Penelitian ini bertujuan untuk memprediksi aktivasi irigasi menggunakan data kelembapan tanah multi-sensor berbasis Internet of Things (IoT) dengan pendekatan machine learning. Dataset terdiri dari lima sensor kelembapan tanah (moisture0–moisture4) beserta label aktivasi irigasi. Tahapan penelitian mencakup pembersihan data, normalisasi, rekayasa fitur temporal, serta pelatihan tiga algoritma klasifikasi: Logistic Regression, Random Forest, dan Gradient Boosting. Hasil evaluasi menunjukkan bahwa Random Forest memiliki performa terbaik dengan akurasi 0.997, precision 0.990, recall 0.986, dan F1-Score 0.988. Gradient Boosting memperoleh F1-Score 0.965, sedangkan Logistic Regression mencapai 0.921. Temuan ini menunjukkan bahwa model berbasis ensemble lebih mampu menangkap kompleksitas pola kelembapan tanah dibandingkan pendekatan linier. Penelitian ini berkontribusi pada pengembangan sistem irigasi cerdas yang adaptif, efisien, dan berbasis data dalam implementasi smart farming.

Kata kunci - IoT, kelembapan tanah, irigasi cerdas, machine learning, multi-sensor, prediksi irigasi

Analisis Sentimen Multi-Aspek terhadap Ulasan Pengguna Aplikasi M-Pajak Menggunakan Model IndoBERT

Hansen Utomo Gunawan, Fergie Joanda Kaunang — Thu, 26 Feb 2026 00:00:00 +0000

Aplikasi M-Pajak menghadapi tantangan dalam evaluasi layanan akibat banyaknya ulasan tidak terstruktur. Penelitian ini bertujuan untuk menganalisis sentimen multi-aspek menggunakan model Deep Learning berbasis arsitektur IndoBERT yang dioptimalkan dengan teknik Random Oversampling untuk menangani ketidakseimbangan data (class imbalance). Lima aspek dominan diekstraksi menggunakan metode Latent Dirichlet Allocation (LDA) yang divalidasi dengan nilai Topic Coherence. Hasil pengujian menunjukkan bahwa model mampu mencapai rata-rata Macro-F1-Score sebesar 93.86% pada kelima aspek yang diuji. Validitas kinerja model diperkuat oleh analisis kurva Receiver Operating Characteristic (ROC) yang mencatatkan nilai Area Under Curve (AUC) rata-rata di atas 0.99, serta pengujian 10-Fold Cross-Validation yang menghasilkan standar deviasi rendah (±0,0032), mengindikasikan bahwa model memiliki daya diskriminasi yang sangat tinggi dan tegas dalam membedakan sentimen negatif, netral, dan positif. Penelitian ini menyimpulkan bahwa integrasi IndoBERT dengan penanganan data tidak seimbang sangat efektif untuk klasifikasi teks ulasan layanan publik yang kompleks.

Kata kunci - Analisis sentimen, IndoBERT, M-Pajak, multi-aspek, Latent Dirichlet Allocation.

Klasifikasi Sentimen Terhadap Program Barak Militer Anak Dedi Mulyadi Menggunakan Support Vector Machine

Nur Ainun Mansyur, Farid Wajidi, Muh Rafli Rasyid — Thu, 26 Feb 2026 00:00:00 +0000

Media sosial, khususnya X, menjadi wadah penting bagi publik dalam menyampaikan opini terhadap kebijakan pemerintah, termasuk kebijakan kontroversial seperti program Barak Militer Anak yang diinisiasi oleh Dedi Mulyadi. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap program tersebut serta mengevaluasi kinerja algoritma machine learning dalam klasifikasi teks media sosial. Data diperoleh melalui proses crawling sebanyak 1,826 tweet dan difilter menjadi 1,000 tweet yang relevan. Pelabelan sentimen dilakukan secara otomatis menggunakan model BERT NLP Town dan divalidasi melalui anotasi manual pada 200 sampel data. Data kemudian diproses melalui tahap preprocessing dan ekstraksi fitur TF-IDF sebelum diklasifikasikan menggunakan Support Vector Machine kernel linear. Evaluasi dilakukan menggunakan metode hold-out dan 10-fold cross-validation. Hasil validasi silang menunjukkan rata-rata akurasi sebesar 66,20% ± 5,94%, macro F1-Score sebesar 56,37% ± 8,59%, dan balanced accuracy sebesar 56,98% ± 8,24%. Hasil ini menunjukkan bahwa model menunjukkan performa yang moderat dan belum merata pada seluruh kelas, khususnya kelas netral. Secara keseluruhan, kombinasi BERT NLP Town, TF-IDF, dan SVM mampu memberikan gambaran awal mengenai sentimen publik, namun masih memerlukan pengembangan untuk meningkatkan stabilitas dan generalisasi model.

Kata Kunci - Analisis Sentimen, Support Vector Machine, BERT NLP Town, TF-IDF, X

Analisis Sentimen Pelanggan Restoran Menggunakan Algoritma Multinomial Logistic Regression

Hajrianti Hajrianti, Heliawati Hamrul, A. Amirul Asnan Cirua — Thu, 26 Feb 2026 00:00:00 +0000

Industri kuliner di Indonesia terus mengalami perkembangan pesat, termasuk dengan hadirnya merek nasional seperti Mie Gacoan yang baru membuka cabang di Sulawesi Barat Mamuju. Kehadiran restoran tersebut memunculkan beragam opini dari masyarakat yang disampaikan melalui ulasan pelanggan. Penelitian ini bertujuan untuk melakukan analisis sentimen pelanggan terkait layanan restoran dengan penerapan algoritma Multinomial Logistic Regression. Data dikumpulkan melalui dua sumber, yaitu ulasan pelanggan dari scraping Google Maps dan kuesioner, dengan total sebanyak 773 data ulasan yang melalui tahap preprocessing teks dan pembobotan TF-IDF. Penelitian ini juga menerapkan pendekatan Explainable AI dengan metode Local Interpretable Model-agnostic Explanations (LIME) guna memperjelas kata-kata yang paling berpengaruh terhadap hasil klasifikasi model. Berdasarkan hasil pengujian, algoritma Multinomial Logistic Regression mampu memberikan performa klasifikasi dengan akurasi mencapai 86,5%, presisi 86,3%, recall 86,5%, dan F1-score 85,8% dalam mengidentifikasi opini pelanggan restoran. Temuan ini menunjukkan bahwa metode berbasis Machine Learning dan Explainable AI dapat memberikan analisis sentimen terhadap persepsi pelanggan, sehingga menjadi referensi penting bagi pengambilan keputusan strategis dalam peningkatan kualitas layanan.

Kata kunci - Sentimen Pelanggan, Multinomial Logistic Regression, TF-IDF, Explainable AI, LIME

Pengembangan Aplikasi Self-Assessment untuk Mengukur Efektivitas Implementasi Smart Village

Nur Hadian, Muhamad Rizaludin, M.Rudi Fanani — Thu, 26 Feb 2026 00:00:00 +0000

Penelitian ini bertujuan untuk mengembangkan aplikasi evaluasi Smart Village berbasis self-assessment yang dapat digunakan oleh pemerintah desa dalam menilai efektivitas implementasi layanan digital secara mandiri. Seiring meningkatnya penerapan layanan digital desa, seperti website desa, aplikasi pelayanan, dan media informasi, sebagian besar desa belum memiliki instrumen evaluasi yang sederhana, terstruktur, dan mudah digunakan untuk mengukur manfaat nyata layanan tersebut bagi masyarakat. Ketiadaan mekanisme evaluasi yang jelas menyulitkan desa dalam mengidentifikasi kelemahan, tingkat pemanfaatan teknologi, serta merumuskan strategi pengembangan layanan digital. Penelitian ini menggunakan metode Research and Development (R&D) dengan model pengembangan V-Model yang meliputi analisis kebutuhan, perancangan sistem, implementasi aplikasi, pengujian bertahap, dan penyempurnaan produk. Pengumpulan data dilakukan melalui observasi, wawancara, dokumentasi, dan studi literatur terkait konsep Smart Village dan evaluasi teknologi. Hasil penelitian berupa aplikasi berbasis web dengan desain sederhana tanpa proses login kompleks, dilengkapi fitur pengisian indikator, visualisasi hasil evaluasi, riwayat penilaian, serta rekomendasi perbaikan berbasis skor. Hasil uji Smart Village sebesar 81,06 menunjukkan bahwa aplikasi ini efektif dalam memberikan gambaran objektif tingkat keberhasilan layanan digital desa dan mendukung pengambilan keputusan pengembangan desa secara berkelanjutan.

Kata Kunci - Smart Village, evaluasi digital, self-assessment, pengembangan aplikasi, V-Model

Simulasi Propagasi Sinyal Wi-Fi Menggunakan Metode Elemen Hingga pada Ruangan Kompleks dengan Variasi Posisi Router

Thu, 26 Feb 2026 00:00:00 +0000

Wi-Fi merupakan teknologi komunikasi nirkabel yang banyak digunakan untuk mendukung aktivitas sehari-hari, baik di lingkungan rumah maupun perkantoran. Kualitas sinyal Wi-Fi di dalam ruangan sangat dipengaruhi oleh geometri bangunan dan posisi router, terutama pada bangunan dengan bentuk kompleks seperti rumah berbentuk L. Penelitian ini bertujuan untuk menyusun model matematis propagasi sinyal Wi-Fi menggunakan persamaan Helmholtz pada domain dua dimensi, menerapkan Metode Elemen Hingga (Finite Element Method/FEM) untuk menyelesaikan model tersebut pada geometri ruangan berbentuk L, serta menganalisis pengaruh variasi posisi router terhadap pola distribusi medan listrik dan terbentuknya area pelemahan sinyal (dead zone). Data dan parameter yang digunakan meliputi frekuensi Wi-Fi sebesar 2,4 GHz, bilangan gelombang yang dihitung berdasarkan kecepatan cahaya, serta domain komputasi yang direkonstruksi dari denah rumah nyata berbentuk L. Penyelesaian numerik dilakukan menggunakan perangkat lunak Mathematica dengan pendekatan FEM dan diskritisasi domain menggunakan mesh segitiga. Hasil simulasi divisualisasikan dalam skala logaritmik (dB) untuk menggambarkan distribusi intensitas sinyal secara jelas. Hasil penelitian menunjukkan bahwa penempatan router di ruang tengah menghasilkan distribusi sinyal yang paling merata dan meminimalkan dead zone, sedangkan penempatan di sudut atau ujung ruangan menyebabkan redaman signifikan akibat pemantulan dan difraksi gelombang oleh dinding dan lorong. Penelitian ini menunjukkan bahwa FEM efektif untuk memodelkan propagasi sinyal Wi-Fi pada geometri ruangan kompleks dan dapat digunakan sebagai dasar pengembangan simulasi yang lebih realistis, seperti pemodelan tiga dimensi, variasi material dinding, serta optimasi penempatan router pada bangunan nyata.

Kata Kunci - Metode Elemen Hingga; Persamaan Helmholtz; Propagasi Sinyal; Rumah Berbentuk L; Wi-Fi

An XGBoost-Driven Intelligent Classification Model for Textile Product Quality Eligibility: A Case Study at PT ABC Textile

Yuni Handayani, Derry Setiawan, Taufik Hidayat, Tri Muji Waluyo — Thu, 26 Feb 2026 00:00:00 +0000

Product quality is a critical aspect of the textile industry because it determines whether a product meets the company’s quality standards. This study develops a product eligibility classification model using the XGBoost algorithm to support the Quality Control (QC) process at PT ABC Textile. The novelty of this research lies in positioning XGBoost as an interpretability-driven decision-support tool by integrating real QC inspection data, feature importance and SHAP-based interpretability analysis, and stratified 5-fold cross-validation to support practical QC decision-making. The dataset consists of 500 samples manually labeled based on the company’s quality criteria and includes four technical features: Yarn Strength, Knitting Density, Color, and Defect Level. Data preprocessing involved data cleaning, label transformation, and MinMaxScaler normalization. Model performance was evaluated using stratified 5-fold cross-validation to ensure robust and unbiased assessment. The experimental results demonstrate stable and high classification performance across all folds, with strong class-wise precision, recall, and F1-score values. Confusion matrix analysis indicates that the model performs particularly well in identifying Non-Eligible products, which is critical for minimizing quality risks in industrial applications. Overall, the proposed approach demonstrates that XGBoost can effectively support textile quality control as an interpretable and reliable decision-support system. Future work may explore dataset expansion and cost-sensitive learning to further enhance industrial applicability.

Keywords – XGBoost; Classification; Textile Products, Quality Control, Data Mining

Penerapan Metode WASPAS untuk Penentuan Prioritas Destinasi Wisata di Bali Berbasis Kuantifikasi Fasilitas dan Ulasan Digital

Thu, 26 Feb 2026 00:00:00 +0000

Banyaknya pilihan destinasi wisata di Provinsi Bali seringkali menimbulkan kebingungan bagi wisatawan dalam menentukan lokasi yang paling optimal, terutama ketika dihadapkan pada pertimbangan antara biaya, jarak, dan kelengkapan fasilitas. Penelitian ini bertujuan membangun Sistem Pendukung Keputusan (SPK) untuk merekomendasikan prioritas destinasi wisata menggunakan metode Weighted Aggregated Sum Product Assessment (WASPAS). Studi ini membandingkan 10 destinasi wisata populer di Bali berdasarkan empat kriteria utama, yaitu Biaya Masuk, Jarak dari Bandara, Rating Ulasan Digital, dan Kelengkapan Fasilitas. Kebaruan penelitian terletak pada proses pra-pemrosesan data fasilitas menggunakan teknik kuantifikasi matriks biner terhadap lima indikator fisik untuk meningkatkan objektivitas penilaian. Pengolahan data dilakukan secara komputasi menggunakan algoritma Python. Hasil penelitian menunjukkan bahwa Pantai Melasti menempati peringkat pertama dengan nilai preferensi tertinggi (Qi = 0,7872). Uji sensitivitas parameter λ pada rentang 0,1–0,9 menghasilkan nilai korelasi Spearman sebesar 0,9636–1,0000 terhadap baseline (λ = 0,5), yang menunjukkan tingkat stabilitas perankingan yang sangat tinggi. Temuan ini membuktikan bahwa metode WASPAS memberikan rekomendasi yang konsisten dan robust terhadap variasi parameter. Penelitian ini diharapkan dapat menjadi rujukan bagi pengambil kebijakan dalam evaluasi dan pengembangan fasilitas destinasi wisata secara objektif.

Kata Kunci: SPK, Pariwisata Bali, WASPAS, Kuantifikasi Fasilitas, Python.