https://jurnal.untan.ac.id/index.php/jepin/issue/feedJEPIN (Jurnal Edukasi dan Penelitian Informatika)2023-12-30T11:27:51+00:00Dr. Herry Sujainihs@untan.ac.idOpen Journal Systems<table><tbody><tr><td><iframe src="https://www.youtube.com/embed/-xWGN4MDSbo" frameborder="0" width="560" height="315"></iframe></td></tr></tbody></table><table border="0" cellspacing="10" cellpadding="3"><tbody><tr valign="top"><th><p>Jurnal Nasional di bidang Informatika Terakreditasi Peringkat 2 (S2) Kemenristekdikti</p><p><br /><a href="https://drive.google.com/file/d/1DXv4vvnel1cejhY1NdvOwv5huSsA_-XR/view?usp=sharing" target="_blank"><img src="/index.php/jepin/manager/setup/Jurnal Edukasi dan Penelitian Informatika (JEPIN)_files/sertifikat_s2_kecil.jpg" alt="" /></a></p><p><a href="http://risbang.ristekdikti.go.id/wp-content/uploads/2018/07/Salinan-Surat-Keputusan-Peringkat-Akreditasi-Elektronik-Periode-I-2018.pdf" target="_blank">NOMOR 21/E/KPT/2018</a></p><p><a href="http://arjuna.ristekdikti.go.id/files/info/Hasil_Penetapan_Akreditasi_Jurnal_Periode_2_Tahun_2020.pdf" target="_blank">NOMOR 148/M/KPT/2020</a></p><p><a href="http://www.issn.lipi.go.id/issn.cgi?daftar&&&&&2460-0741">eISSN: 2548-9364 / pISSN: 2460-0741</a></p><p>indexed by<a title="jepin doaj" href="https://doaj.org/toc/2548-9364?source=%7B%22query%22%3A%7B%22filtered%22%3A%7B%22filter%22%3A%7B%22bool%22%3A%7B%22must%22%3A%5B%7B%22term%22%3A%7B%22index.issn.exact%22%3A%222548-9364%22%7D%7D%2C%7B%22term%22%3A%7B%22_type%22%3A%22article%22%7D%7D%5D%7D%7D%2C%22query%22%3A%7B%22match_all%22%3A%7B%7D%7D%7D%7D%2C%22from%22%3A0%2C%22size%22%3A100%7D" target="_blank"><img src="/public/site/images/jepinmanager/logodoaj.jpg" alt="" height="54" /></a><a href="https://scholar.google.co.id/citations?user=En5dz8UAAAAJ&hl=id" target="_blank"><img style="margin-right: 10px;" title="http://jurnal.untan.ac.id/public/site/images/jepinmanager/goggle_scholar_120" src="/public/site/images/jepinmanager/goggle_scholar_120.jpg" alt="http://jurnal.untan.ac.id/public/site/images/jepinmanager/goggle_scholar_120" width="120" height="52" /></a> <a title="Sinta Score = S3" href="https://sinta.kemdikbud.go.id/journals/profile/97" target="_blank"><img title="http://jurnal.untan.ac.id/public/site/images/jepinmanager/sinta_logo_400_01" src="/public/site/images/jepinmanager/sinta_logo_400_01.png" alt="http://jurnal.untan.ac.id/public/site/images/jepinmanager/sinta_logo_400_01" width="152" height="54" /></a><a href="https://sinta.kemdikbud.go.id/journals/profile/97" target="_blank">S2</a> <a href="/index.php/jepin/pages/view/indexedby"> More...</a></p></th><th><p>JEPIN (Jurnal Edukasi dan Penelitian Informatika) merupakan peer reviewed journal di bidang informatika. Jurnal ini diterbitkan 3 bulan dalam setahun (April, Agustus, dan Desember) oleh Program Studi Informatika, Fakultas Teknik, Universitas Tanjungpura, Indonesia. Manuskrip yang dikirim oleh penulis direview secara double-blind reviewed. Tulisan-tulisan yang diterima dipublikasikan secara daring dan cetakan. JEPIN mempublikasikan paper-paper orisinil dalam bidang informatika yang mencakup namun tidak terbatas pada :<br /><br /><em>Information Search Engine, Multimedia Security, Computer Vision, Information Retrieval, Intelligent System, Distributed Computing System, Mobile Processing, Next Network Generation, Computer Network Security, Natural Language Processing, Business Process, Cognitive Systems, Software Engineering, Programming Methodology and Paradigm, Data Engineering, Knowledge Based Management System, Knowledge Discovery in Data, Digital Signal Processing, Human-Machine Interface, Stochastic Systems, Information Theory, Intelligent Systems, IT Governance, Networking Technology, Optical Communication Technology, Next Generation Media, Robotic Instrumentation</em>.</p><table border="1" cellspacing="1" cellpadding="2" bgcolor="#f1f1c1"><tbody><tr><th align="center">Mulai tahun 2019 JEPIN diterbitkan sebanyak 3 kali dalam setahun (April, Agustus, dan Desember), dengan waktu review 2 s.d 3 bulan.�</th></tr></tbody></table></th></tr></tbody></table>https://jurnal.untan.ac.id/index.php/jepin/article/view/63895Implementasi Deep learning untuk Identifikasi Daun Tanaman Obat Menggunakan Metode Transfer learning2023-12-30T11:27:51+00:00Noveri Lysbetti Marpaungnoveri.marpaung@eng.unri.ac.idRio Juan Hendri Butar Butarriojuan6542@student.unri.ac.idSakti Hutabaratsakti.hutabarat@lecturer.unri.ac.id<p class="IEEEAbtract"><span lang="IN">Tanaman obat adalah tanaman yang memiliki khasiat untuk digunakan sebagai obat penyembuhan atau pencegahan berbagai penyakit. Pemanfaatan tanaman obat di Indonesia sudah sangat umum dilakukan oleh masyarakat sejak zaman dahulu. Pengetahuan tentang tanaman obat juga diwariskan oleh nenek moyang sejak dulu. Tanaman obat memiliki bentuk daun yang hampir serupa antara satu tanaman dengan tanaman lainnya, terutama dari bentuk morfologi daun. Hal ini membuat beberapa masyarakat memiliki kekeliruan dalam mengidentifikasi daun tanaman obat. Dalam beberapa dekade terakhir, <em>deep learning</em> telah menjadi metode yang populer untuk mengidentifikasi objek. <em>Deep learning</em> memiliki kemampuan untuk dapat mengidentifikasi objek dengan tepat, sehingga sangat cocok digunakan untuk mengidentifikasi daun tanaman obat. Pada penelitian ini, metode <em>transfer learning</em> digunakan untuk mengidentifikasi tanaman obat. <em>Transfer learning</em> menggunakan model yang telah dilatih sebelumnya, sehingga dapat digunakan untuk data yang lebih sedikit dan memiliki waktu komputasi yang relatif lebih cepat. Pretrained model yang digunakan pada penelitian ini adalah MobileNetV2. Pada penelitian ini, teknik <em>fine tune</em> diterapkan untuk meningkatkan performa model. Beberapa percobaan dilakukan dengan parameter yang berbeda seperti epoch dan layer <em>fine tune</em> untuk mendapatkan hasil terbaik. Hasil penelitian ini mendapatkan akurasi 99% untuk training, 98% untuk validasi, dan 94% untuk pengujian.</span></p>2023-12-22T07:37:30+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/61714Optimasi Parameter Algoritma DBSCAN untuk Mendeteksi Titik Panas Kebakaran Hutan dan Lahan2023-12-30T11:27:51+00:00Putri Yulidsf Utamiputriyuli@unmuhpnk.ac.idSahid Agustian Hudjimartsushudjimartsu@uika-bogor.ac.idTiara Aurilia Viona191230020@unmuhpnk.ac.idHulwana Sharfina191230009@unmuhpnk.ac.idPencegahan terjadinya kebakaran hutan dan lahan dapat dilakukan dengan menyediakan informasi terkait titik panas dan karakteristik wilayah yang berpotensi munculnya titik panas. Tujuan penelitian ini untuk mengelompokkan data titik panas menjadi beberapa <em>cluster</em> berdasarkan <em>density </em>menggunakan algoritma DBSCAN<em>. </em>Untuk mendapatkan hasil cluster terbaik dilakukan optimasi parameter DBSCAN yaitu nilai <em>epsilon</em> dan <em>minpts. </em>terbaik Berdasarkan beberapa kali hasil <em>iterasi </em>terbentuk nilai <em>epsilon 10</em> dan <em>minpts </em>minimal titik dalam satu cluster adalah 5. Nilai ini merupakan nilai terbaik dikarenakan membentuk<em> cluster</em> minim <em>noise. Cluster</em> terbentuk berdasarkan nilai LST dan NBR<em>. </em>Berdasarkan hasil penelitian <em>cluster </em>terbanyak yaitu pada tahun 2019 dan tahun 2022 terbentuk 3 <em>cluster. Cluster </em>0 merupakan <em>cluster </em>yang<em> </em>memiliki nilai LST tinggi atau suhu permukaan tinggi dan memiliki nilai NBR tinggi atau luas terbakar tinggi. <em>Cluster</em>1<em> </em>merupakan <em>cluster </em>yang<em> </em>memiliki nilai LST tinggi atau suhu permukaan tinggi dan memiliki nilai NBR sedang atau luas terbakar sedang. Sedangkan <em>Cluster2 </em>merupakan <em>cluster </em>yang<em> </em>memiliki nilai LST sedang atau suhu permukaan sedang dan memiliki nilai NBR sedang atau luas terbakar sedang. Kombinasi nilai LST dan NBR menunjukkan area tersebut pernah mengalami kebakaran hutan dan lahan. Evaluasi performa <em>clustering</em> algoritma DBSCAN dilakukan menggunakan <em>Silhouette coefficient. </em>Hasil evaluasi tahun 2017 nilai <em>Silhouette coefficient</em> yaitu 0,773 termasuk <em>strong structure. </em>Tahun 2018 nilai <em>Silhouette coefficient </em>yaitu 0,722 termasuk <em>strong structure. </em>Tahun 2019 terbentuk 3 cluster nilai <em>Silhouette coefficient cluster</em> 0 <em> </em>yaitu 0,875, nilai <em>Silhouette coefficient cluster</em> 1<em> </em>yaitu 0,802 nilai <em>Silhouette coefficient cluster</em> 2<em> </em>yaitu 0,876<em> </em>termasuk pada kategori <em>strong structure. </em>Tahun 2020 terbentuk 2 cluster nilai <em>Silhouette coefficient cluster</em> 0 <em> </em>yaitu 0,637, nilai <em>Silhouette coefficient cluster</em> 1<em> </em>yaitu 0,649<em> </em>termasuk pada kategori<em> Medium Structure. </em>Tahun 2021 nilai <em>Silhouette coefficient </em>yaitu 0,714 termasuk <em>strong structure. </em>Tahun 2022 nilai <em> cluster</em> 0 <em>Silhouette coefficient </em>yaitu 0,802, nilai <em>Silhouette coefficient cluster</em> 1<em></em>yaitu 0,811, dan nilai <em>Silhouette coefficient cluster</em> 2<em> </em>yaitu 0,712 termasuk pada kategori <em>strong structure.</em>2023-12-22T13:41:05+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/63346Uji Nilai Akurasi pada Neural Machine Translation (NMT) Bahasa Indonesia ke Bahasa Tiochiu Pontianak dengan Mekanisme Attention Bahdanau2023-12-30T11:27:51+00:00Lo Bun Sanloesan_lion77@student.untan.ac.idHerry Sujainihs@untan.ac.idTursina Tursinatursina@informatika.untan.ac.id<p class="IEEEAbtract"><span lang="EN-GB">Mesin penerjemah merupakan cabang penting dari pemrosesan bahasa alami yang bertujuan untuk menerjemahkan bahasa alami menggunakan komputer. Mesin penerjemahan statistik sudah banyak diuji dalam kasus terjemahan bahasa lokal/daerah oleh penelitian di Indonesia. Penelitian mesin penerjemahan neural beberapa tahun belakangan ini, terus menjadi pilihan dalam mesin penerjemahan yang bahkan sampai saat ini sudah diterapkan pada google. Mesin penerjemah dimanfaatkan sebagai usaha dalam membudidayakan suatu bahasa lokal/daerah untuk komputasi, supaya bahasa tersebut tidak hilang karena pengaruh bahasa dilingkungan tempat tinggal yang berbeda-beda. Dalam pengujian ini mekanisme yang digunakan dalam mesin terjemahan neural adalah mekanisme <em>attention</em> Bahdanau dari uji akurasi penerjemahan Bahasa Indonesia ke Bahasa Tiochiu. Mekanisme <em>attention</em> Bahdanau muncul sebagai pengujian peningkatan akurasi terbaik saat ini berkat penggunaan rumus skor attentionnya. Adapun pengujian bahasa alami yang digunakan adalah kalimat bahasa Indonesia diterjemahkan ke kalimat bahasa Tiochiu Pontianak dengan mekanisme <em>Attention </em>Bahdanau pada Mesin Penerjemah Neural. Data korpus pararel yang diuji adalah 500 kalimat dengan data latih adalah 4500 kalimat. Perlunya dilakukan penelitian terhadap mekanisme <em>attention</em> untuk nilai akurasi tertinggi berdasarkan nilai skor BLUE dan ahli bahasa. Langkah-langkah yang digunakan dalam menguji dan mendapatkan nilai akurasi skor BLEU mekanisme attention dimulai dari metode membagi data uji secara validasi k-fold cross sebanyak 10 data uji dan masing-masing data uji tersebut dilatih sebanyak tujuh kali pengujian dari jumlah epoch kelipatan 10. Setelah didapatkan skor nilai akurasinya dari pelatihan sebanyak 70 kali tersebut dihitung dan dicari rata-rata nilai akurasi tertinggi didasarkan jumlah epoch didapatkan serta uji manual oleh ahli bahasa dengan mengambil sampel dari data uji yang memiliki akurasi tertinggi tersebut. Hasil uji mekanisme mesin terjemahan neural dengan attention Bahdanau yang didapatkan terdapat pada sampel uji6. Rata-rata nilai akurasi paling tinggi sebesar 18,41% pada epoch 50, dan uji oleh ahli bahasa pada 167 kalimat terjemahan memperoleh nilai akurasi sebesar 54,51%. Serta uji otomatis BLEU paling tinggi dengan pengujian <em>k-fold cross validation</em> pada sampel uji6 dengan jumlah <em>epoch</em> 50 sebesar 24,26%. Nilai akurasi otomatis BLEU tertinggi pada sampel Uji6 dengan tanpa Attention Bahdanau sebesar 12,41%. Sehingga dapat disimpulkan bahwa dengan mekanisme Attention Bahdanau adalah tingkat hasil akurasi yang terbaik.</span></p>2023-12-22T13:49:23+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/66815Dampak Test-Driven Development pada Kualitas Kode2023-12-30T11:27:51+00:00Muhammad Iqbal Naufal Ilmiiqbalmnaufal@webmail.umm.ac.idAminudin Aminudinaminudin2008@umm.ac.idZamah Sarizamahsari@umm.ac.id<span lang="EN-AU">Pengembang perangkat lunak sekarang dituntut untuk memiliki perangkat lunak yang baik. Salah satu faktor yang membuat perangkat lunak tersebut baik adalah bebas dari berbagai macam <em>bug</em> dan program mudah untuk dirawat. Salah satu cara untuk mendapatkan hal tersebut adalah menggunakan <em>Test-Driven Development (TDD)</em>. TDD adalah metode dengan menuliskan pengujian sebelum kode program. Dengan TDD diharapkan memiliki kualitas kode yang baik dan bebas dari berbagai macam <em>bug</em>. Karena hal tersebut, pada paper ini akan diteliti tentang dampak yang terjadi ketika menggunakan TDD dalam nilai-nilai seperti <em>code coverage</em>, <em>halstead volume</em> dan <em>maintainability index</em>. Hasilnya didapatkan bahwa dengan menggunakan TDD dapat meningkatkan matriks pada indikator tersebut karena pengembang memiliki kesempatan untuk berfokus pada penulisan test di awal sebagai awal siklus dan fokus pada akhir siklus. Berdasarkan perhitungan yang dilakukan, didapatkan hasil dengan penggunaan TDD dapat meningkatkan nilai <em>code coverage</em> sampai lebih dari 100%, <em>cyclomatic complexity</em> sebesar 15.78%, <em>halstead volume</em> sebesar 35% dan <em>maintainability index</em> sebesar 11%. Hal tersebut terjadi karena kode lebih banyak yang dijangkau oleh pengujian dan setiap siklus diakhiri dengan <em>refactor</em> sehingga program akan diperbaiki setiap siklus sehingga kualitas kode menjadi lebih baik.</span>2023-12-22T13:58:31+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/70233Antropometri Digital Suku Dayak, Melayu, dan Tionghoa Kalimantan Barat Berbasis Image Processing2023-12-30T11:27:51+00:00Yopa Eka Prawatyayopa.prawatya@industrial.untan.ac.idNoveicalistus H Djanggunoveicalistus.djanggu@industrial.untan.ac.idRatih Rahmawatiratih.rahmawati@industrial.untan.ac.idSyahmi Sajidsyahmisajid12@gmail.com<span lang="IN">Kalimantan </span><span lang="EN-US">B</span><span lang="IN">arat merupakan daerah yang didiami oleh banyak suku bangsa dengan ketiga suku bangsa terbanyak adalah Dayak, Melayu, dan Tionghoa. Setiap suku bangsa memiliki dimensi tubuh yang berbeda-beda. Pengukuran dimensi tubuh atau antropometri umumnya dilakukan secara manual dengan menggunakan bantuan jangka sorong, mistar, dan pita meteran. Pengumpulan data antropometri untuk ketiga suku ban</span><span lang="EN-US">g</span><span lang="IN">sa tersebut dari sejumlah banyak orang tentunya dapat dilakukan walaupun memerlukan waktu yang cukup lama. Pengumpulan data antropometri secara cepat serta efektif dan efisien dapat dilakukan dengan menggunakan antropometri digital berbasis <em>image processing</em>. Pengumpulan data antropometri menggunakan <em>image processing</em> dapat dilakukan dengan mengambil gambar dari objek penelitian menggunakan sebuah kamera. Gambar tersebut kemudian akan diolah menggunakan bahasa pemrograman Python dan dengan <em>library </em>OpenCV. Gambar terlebih dahulu akan dilabeli dengan sebuah bentuk melalui tahapan <em>shape creation</em> dan hasil bentuk yang dibangun kemudian dideteksi menggunakan <em>object detection</em>. Kemudian dilakukan perhitungan sistem dengan menggunakan koefisien pengali yang telah diperoleh melalui perhitungan titik acuan. Diperoleh akurasi program pengukuran antropometri digital adalah 98,66% dan tingkat <em>error</em> 0,99 cm. Berdasarkan hasil pengumpulan data diperoleh bahwa setiap suku bangsa memiliki karakteristik dimensi tubuh yang berbeda. Penggunaan antropometri digital dapat mengumpulkan data antropometri secara akurat dan cepat.</span>2023-12-22T14:20:33+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/69496Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Motif Batik pada Aplikasi Computer Vision Berbasis Android2023-12-30T11:27:51+00:00Ihsan Maulanaihsan.maulana90@student.untan.ac.idHelen Sastypratiwihelensastypratiwi@informatics.untan.ac.idHafiz Muhardihafizm@informatika.untan.ac.idNovi Safriadisafriadi@informatics.untan.ac.idHerry Sujainihs@untan.ac.id<p class="IEEEAbtract"><span lang="EN-GB">Batik merupakan bagian dari warisan budaya Indonesia yang memiliki banyak jenis dan corak karena terdapat perbedaan nilai, simbol, makna filosofis, dan strategi adaptasi yang berbeda antara satu masyarakat dengan masyarakat lainnya. Banyaknya variasi pola dalam motif batik membuat pengidentifikasian motif batik menjadi sulit, terutama bagi masyarakat awam. Diperlukanlah inovasi untuk memanfaatkan teknologi guna memperkenalkan motif batik, salah satu caranya adalah dengan memanfaatkan teknologi <em>computer vision</em>. Penelitian ini menggunakan teknik <em>Deep Learning</em>, dengan menerapkan model <em>Convolutional Neural Network</em> (CNN) yang digunakan untuk mengekstraksi citra pada gambar dua dimensi. Data citra yang akan digunakan sebagai objek untuk diklasifikasi adalah motif batik corak insang, dayak, ikat celup, dan megamendung. Pada penelitian ini menggunakan data citra sebanyak 1320 data latih, 80 data validasi, dan 120 data uji. Hasil pengujian pada klasifikasi, saat persentase keempat kelas </span><span lang="EN-GB">mencapai 70% (<em>passing grade</em>) pada salah satu kelas maka dapat diklasifikasikan sebagai salah satu dari kelas tersebut. Namun, jika tidak ada satupun kelas yang mencapai passing grade, maka dapat diklasifikasikan sebagai Objek Lainnya.</span><span lang="EN-GB"> Hasil akhir penelitian menunjukkan bahwa Aplikasi Klasifikasi Motif Batik berbasis Android berhasil berjalan sesuai harapan, baik dari sisi fungsionalitas aplikasi maupun proses klasifikasinya.</span></p>2023-12-22T14:29:54+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/64017Interpretasi Sesar Geologi Menggunakan Deep Learning: Convolutional Neural Network (CNN) dengan Model Arsitektur U-Net di Laut Utara, Belanda2023-12-30T11:27:51+00:00Nungga Saputranungga.118120120@student.itera.ac.idHandoyo Handoyohandoyo.geoph@tg.itera.ac.idIntan Andriani Putriandriani.putri@tg.itera.ac.id<p>Tujuan mendasar dalam mempelajari struktur geologi dibawah permukaan adalah bagaimana fitur-fitur geologi dapat tercitrakan dengan baik dengan resolusi tinggi dengan menggunakan metode geofisika dan metode lain di bidang ilmu geosains. Salah satu fitur geologi yang penting dalam bidang eksplorasi dan mitigasi bencana geologi adalah sesar atau patahan. Sesar atau patahan adalah bidang yang memisahkan lapisan batuan secara vertikal atau sub-vertikal yang mengakibatkan diskontinuitas pada lapisan batuan. Dalam pengamatan citra bawah permukaan menggunakan seismik refleksi, diberikan citra gambaran batas antar lapisan dua buah lapisan batuan dan patahan sebagai bidang ketidakmenerusan. Pada penelitian ini, penulis telah mengaplikasikan metode kecerdasan buatan dengan menggunakan <em>Convolutional Neural Network</em> (CNN) dalam membantu interpretasi bidang sesar yang biasanya dilakukan secara konvensional. Penelitian ini bertujuan untuk menerapkan metode CNN pada data seismik di sekitar Laut Utara, Belanda, untuk membantu mempercepat tahapan interpretasi dengan akurasi yang baik. Pada penelitian ini, tahapan-tahapan penelitian dilakukan dengan tahapan <em>Extract, Transform, Load </em>(ETL) proses<em>, train data </em>dan model arsitektur <em>deep learning </em>U-Net. Hasil dari penelitian ini menunjukkan bahwa prediksi menggunakan <em>machine learning</em> memberikan hasil yang bersesuaian dengan pendekatan secara konvensional, dimana akurasi sekitar 90% data yang bersesuaian terutama pada bidang-bedang sesar yang dominan, baik secara dimensi yang panjang maupun zona rekahan yang kompleks. Dengan menerapkan metode CNN pada data seismik, diharapkan perkembangan kecerdasan buatan dalam bidang geosains dapat semakin positif bagian kemajuan IPTEK di Indonesia.</p>2023-12-23T00:08:46+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/64541Perancangan Model Pergerakan Mobile Robot dengan Metode Deep Q Learning2023-12-30T11:27:51+00:00Samsul Arifinsamsul.arifin.2205349@students.um.ac.idSiti Sendarisiti.sendari.ft@um.ac.idIlham Ari Elbaith Zainiilham.ari.ft@um.ac.id<p class="IEEEAbtract"><em>Path Planning</em> merupakan salah satu permasalahan yang sering terjadi pada <em>mobile robot</em>. Tujuan utama dalam <em>path planning</em> adalah untuk mendapatkan <em>path</em>/jalur yang paling optimal sehingga bisa meminimalisir waktu komputasi. Kelemahan yang umum terjadi pada <em>path planning</em> adalah waktu komputasi yang besar pada suatu <em>environment</em>. Dengan adanya permasalahan ini maka akan diterapkan metode <em>deep Q learning</em> untuk meningkatkan kecepatan waktu komputasi. Metode <em>deep q learning</em> menyimpan hasil pembelajaran dalam bentuk <em>neural network</em>. Mobile robot dilatih agar dapat menemukan jalur pada <em>environment</em> yang belum dikenali sama sekali. Melalui beberapa tahapan dalam proses <em>training</em> dan proses <em>running</em> maka <em>mobile robot</em> dapat menemukan jalur dengan cepat. Keseimbangan proses eksplorasi dan eksploitasi akan mempengaruhi proses <em>training</em>. Pada penelitan ini ditentukan nilai untuk proses eksplorasi adalah 80 episode pertama. Pada proses <em>training</em> telah didapatkan nilai parameter <em>gamma</em> yang optimal adalah 0.9. Setelah mendapatkan pengetahuan dari proses <em>training</em> maka <em>mobile robot</em> dapat menemukan <em>path</em> yang paling optimal dengan waktu tempuh ± 1.92s.</p>2023-12-23T00:21:37+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/64877Klasifikasi Kematangan Buah Sawit Berdasarkan Fitur Warna, Bentuk dan Tekstur Menggunakan Algoritma K-NN2023-12-30T11:27:51+00:00Safrida Ika Guslianto21206051001@student.uin-suka.ac.idShofwatul ‘Uyunshofwatul.uyun@uin-suka.ac.id<p class="IEEEAbtract"><span lang="IN">Kelapa sawit merupakan tanaman perkebunan yang menghasilkan CPO (Crude Palm Oil). Kadar CPO dipengaruhi oleh tingkat kematangan buah sawit. Pemanfaatan teknologi dalam melakukan klasifikasi untuk membantu proses memanen buah sawit telah dilakukan beberapa penelitian sebelumnya. Penerapan algoritma klasifikasi seperti SVM, K-Mean Clustering dan Backpropagation telah dilakukan dan mendapatkan hasil yang berbeda-beda. Pada penelitian ini klasifikasi Ekstraksi ciri fitur warna, bentuk dan tektur dilakukan untuk membandingkan pilihan fitur terbaik. Pemilihan fitur ini dilakukan untuk memilih fitur terbaik yang mampu melakukan klasifikasi kematangan buah sawit menggunakan Algoritma K-Nearest Neigbhors. Dimensi citra yang mempengaruhi dalam klasifikasi membuat peneliti melakukan pembuktian dalam pemilihan fitur yang tepat dalam klasifikasi ini. Fitur warna yang digunakan dalam penelitian ini adalah nilai Mean RGB, Standar Deviasi RGB, Entropy RGB dan Skenewss RGB. Fitur Bentuk yang digunakan nilai area, metriks, perimeter, mayor axis, minor axis dan nilai eccentricity. Fitur tektur yang digunakan nilai Mean Greyscale, Standar Deviasi Greyscale, contrast, correlation, energy dan homogeneity. Data yang digunakan dalam penelitian ini adalah sebanyak 230 citra terbagi kedalam 200 citra latih 100 citra matang, 100 citra mentah. Data uji digunakan sebanyak 30 citra yaitu 15 matang dan 15 citra mentah. Hasil klasifikasi terbaik dalam penelitian ini adalah penerapan pada fitur Warna dengan K = 1, 3, 4, 5 dan 7 sebesar 96.6%, fitur Tektur dengan K = 6 sebesar 66% dan fitur Bentuk dengan K = 1 sebesar 73.3%.</span></p>2023-12-23T00:37:33+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/67154Analisa Pola Belanja Konsumen serta Prediksi Stok Barang Berbasis Web2023-12-30T11:27:51+00:00I Made Dwi Cahaya Putradwicahayapoetra@gmail.comGusti Made Arya Sasmitaaryasasmita@unud.ac.idNi Kadek Dwi Rusjayanthidwi.rusjayanthi@unud.ac.id<p class="IEEEAbtract"><a name="_Hlk138711820"></a><span lang="IN">Data mining merupakan teknik pengolahan data dalam jumlah besar menggunakan berbagai algoritma serta sistem untuk menghasilkan sebuah informasi yang berguna. Tujuan dari penelitian ini adalah untuk membuat sebuah sistem berbasis web dengan mengimplementasikan teknik <em>data mining</em> yang dapat digunakan dalam mempermudah melakukan asosiasi terhadap barang dan prediksi stok barang. Penelitian ini dilakukan dengan menggunakan dua metode asosiasi yaitu dengan algoritma <em>FP-Growth</em> dan apriori serta dua metode prediksi yaitu dengan algoritma regresi linier dan <em>Support Vector Regression</em> (SVR). Proses asosiasi dari 2658 data transaksi menggunakan metode <em>FP-Growth</em> dan apriori sama-sama menghasilkan jumlah aturan asosiasi berdasarkan nilai <em>minimum support</em> dan <em>confidence</em> yang sama. Proses prediksi 10 jenis barang menggunakan regresi linier dan SVR menghasilkan tingkat akurasi yang berbeda-beda tiap produknya sehingga metode dengan akurasi tertinggi dipilih pada setiap produk. Rata-rata tingkat kesalahan prediksi dengan MAPE dari 10 produk menggunakan metode regresi linear sebesar 12,09% sedangkan metode SVR sebesar 11,51%, sehingga metode SVR memiliki akurasi yang lebih baik untuk diterapkan pada Timbul Jaya Petshop. Hasil dari asosiasi dan prediksi dapat dimanfaatkan untuk merancang strategi bisnis kedepannya. </span></p>2023-12-23T01:06:45+00:00Copyright (c) JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/72031Perbandingan Kinerja LSTM dan Prophet untuk Prediksi Deret Waktu (Studi Kasus Produksi Susu Sapi Harian)2023-12-30T11:27:51+00:00Alusyanti Primawati1149alusyanti@apps.ipb.ac.idImas Sukaesih Sitanggangimas.sitanggang@apps.ipb.ac.idAnnisa Annisaannisa@apps.ipb.ac.idDewi Apri Astutidewiapriastuti86@gmail.com<p class="IEEEAbtract"><span lang="EN-GB">Prediksi deret waktu dibutuhkan untuk menjawab pertanyaan bisnis dimasa depan yang akurat sehingga perlunya membangun model prediksi yang memiliki kinerja bagus. Pendekatan <em>machine learning</em> seperti <em>long short term memory</em> (LSTM) dan Prophet menjadi popular saat ini untuk pemodelan prediksi deret waktu. Agribisnis susu segar saat ini salah satu studi kasus yang memerlukan peranan teknologi informasi seperti bisnis intelijen untuk memastikan ketersediaan pasokan susu dimasa depan. Upaya pertama yang perlu dilakukan adalah menyiapkan model prediksi yang tepat meskipun data awal yang dikumpulkan masih sedikit atau terbatas. Dataset produksi susu sapi selama 300 hari menjadi data penelitian yang dimodelkan kedalam LSTM dan Prophet. Keduanya dibandingkan kinerjanya terhadapa data terbatas. Hasilnya uji koefisien determinasi R<sup>2</sup> keduanya yaitu 0.2, sehingga perlu dilakukan peningkatan kinerja melalui tahapan <em>revise and enhance</em>. Hasilnya, kedua model meningkat nilai R<sup>2</sup> menjadi 0.3 dan LSTM lebih baik dari Prophet. Meskipun demikian perbedaan keduanya tidak terlalu signifikan dan peningkatan juga tidak berbeda terlalu jauh karena data susu memiliki pola multi-periode dengan tren berbeda signifikan. Periode 90 hari pertama adalah masa klimaks laktasi sedangkan periode kedua setelah 90 hari adalah masa intervensi peternak menurunkan hasil perah untuk persiapakan ternak kambing perah ke masa kawin dan bunting.</span></p>2023-12-23T01:51:41+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/67199Perbandingan QOS Dari Metode NTH ECMP dan PCC untuk Layanan Berbasis Konten2023-12-30T11:27:51+00:00Winarno Sugengwinarno@itenas.ac.idFazza Dwi Riandyfazzariandy@mhs.itenas.ac.idTingginya kebutuhan <em>resource</em> untuk pengaksesan konten di internet sejalan dengan tingginya kebutuhan performa jaringan internet yang stabil dan efisien. Untuk menciptakan jaringan yang stabil dibutuhkan sebuah proses untuk meringankan beban jaringan. <em>Load balancing</em> merupakan sebuah metode yang dapat mendistribusikan beban jaringan ke dua koneksi internet atau lebih. Beban jaringan yang terdistribusi akan menciptakan kualitas jaringan yang optimal. Hal itu dipicu oleh <em>throughput</em> yang lebih baik dan <em>response time</em> yang lebih singkat. Selain itu, nilai dari parameter <em>Quality of Service</em> (QoS) dibutuhkan untuk menentukan seberapa baik kinerja jaringan tersebut, parameter <em>delay</em><em>, jitter, packet loss</em>, dan <em>throughput</em>. Pada penelitian ini akan diimplementasikan tiga metode <em>load balancing</em> yaitu : ECMP, PCC, dan NTH. Metode yang direkomendasikan pada layanan publik adalah metode ECMP dan PCC, karena metode ECMP memiliki kualitas <em>throughput</em><em> </em>yang baik yaitu 23.21% dan PCC memiliki kualitas <em>delay</em><em> </em>yang baik yaitu 0.85 ms, lalu pada layanan <em>gaming</em>, metode yang direkomendasikan adalah metode NTH, karena memiliki hasil yang baik di setiap parameter, untuk <em>throughput</em><em> </em>6.52%, untuk nilai <em>delay</em><em> </em>0.70 ms, untuk nilai <em>jitter</em> 0.33 ms dan nilai <em>packet loss</em> sebesar 4.05%. Pada layanan <em>streaming</em><em> </em>metode yang direkomendasikan adalah PCC dan NTH, PCC memiliki nilai rata – rata <em>throughput</em> yang baik, yaitu 26.6% sedangkan NTH memiliki rata – rata <em>delay</em> dan <em>packet loss</em> yang baik yaitu 0.88 ms dan 0.68 %.2023-12-23T02:14:46+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/70193Deteksi Botnet pada Jaringan DNS secara Virtual menggunakan Decision Tree2023-12-30T11:27:51+00:00Kharisma Monika Dian Pertiwikharismamonika@ittelkom-sby.ac.idVessa Rizky Oktaviavessa@ittelkom-sby.ac.idRizky Fenaldo Maulanaaldo@ittelkom-sby.ac.id<p class="IEEEAbtract"><span lang="EN-GB">Internet adalah aspek yang paling penting dan krusial dalam kehidupan di dunia. DNS Server bertugas menerjemahkan atau mengarahkan alamat IP ke alamat domain aplikasi yang diminta oleh client. DNS Server merupakan komponen krusial yang rentan terhadap serangan. Serangan paa DNS Server dapat berupa phising, penyebaran malware dan DDoS. Dampak dari serangan tersebut dapat menyebabkan layanan DNS mati hingga pencurian data pribadi. Serangan tersebut tidak hanya dilakukan oleh individual, namun juga dapat dilakukan oleh robot atau program komputer yang biasa disebut dengan botnet. Botnet merupakan sistem komputer yang telah terinfeksi program yang dapat dikendalikan jarak jauh. Untuk mencegah serangan botnet pada jaringan DNS, diperlukan sebuah metode yang mampu mendeteksi serangan dengan cepat. Penelitian ini bertujuan untuk mengembangkan metode untuk mendeteksi serangan botnet pada jaringan DNS menggunakan algoritma pembelajaran mesin. Penelitian ini kami lakukan secara simulasi menggunakan mesin virtual untuk mendapatkan data lalu lintas DNS. Penelitian ini menghasilkan pemahaman atau perspektif baru mengenai metode deteksi serangan botnet berdasarkan lalu lintas jaringan DNS Server yang disimulasikan secara virtual. Metode pembelajaran mesin untuk deteksi serangan botnet yang diimplementasikan adalah decision tree. </span><span lang="EN-US">Hasil pengujian menunjukkan bahwa model mampu mendeteksi dengan baik. Model dapat mendeteksi botnet dengan akurasi 95%. Model memiliki rata-rata nilai precision 97%, recall 92.6% dan F1-score 95%.</span></p>2023-12-23T02:37:02+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/67809Analisis Segmentasi Leukosit pada Acute Myeloid Leukemia dengan Active Contour Without Edge dan Watershed Distance Transform2023-12-30T11:27:51+00:00Nurcahya Pradana Taufik Prakisyanurcahya.ptp@staff.uns.ac.idYusfia Hafid Aristyagamayusfia.hafid@staff.uns.ac.id<p><em>Acute myeloid leukemia</em> (AML) adalah salah satu tipe kanker darah yang mengakibatkan sumsum tulang tidak dapat menghasilkan sel leukosit jenis myeloid yang matang. Pada dasarnya diagnosa penyakit AML menggunakan basis perhitungan jumlah persentase relatif sel leukosit dalam darah. Kesalahan dalam perhitungan jumlah sel dapat berimbas pada kurang tepatnya diagnosa yang dibuat. Dalam pemrosesan citra apusan darah secara digital, salah satu hal yang masih menjadi kendala adalah sel darah yang saling bersinggungan dan bahkan tumpang tindih. Penelitian ini mengusulkan perpaduan algoritma <em>active contour without edge </em>(ACWE) yang dikombinasikan dengan <em>watershed distance transform</em> (WDT) untuk dapat mengatasi permasalahan objek sel darah yang tumpang tindih. ACWE digunakan untuk melakukan segmentasi objek sel darah berbasis perhitungan <em>inside energy</em> dan <em>outside energy</em> sementara WDT diimplementasikan sebagai algoritma pemisah objek dengan memanfaatkan memanfaatkan transformasi jarak dari setiap piksel ke nilai piksel <em>non-zero</em> terdekat. Hasil penelitian menunjukkan dari total 876 objek sel leukosit, terdapat 734 objek yang dapat disegmentasi dengan baik dan sisanya sebanyak 142 objek masih belum dapat diseparasi dengan tepat. Nilai ini menunjukkan bahwa perpaduan algoritma ACWE dan WDT dapat memisahkan 83,789% objek sel leukosit dari citra AML M1, M2 dan M3.</p>2023-12-23T03:09:57+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/70132Deteksi Objek menggunakan Deep Learning untuk Mengetahui Tingkat Kerumunan Mahasiswa2023-12-30T11:27:51+00:00Nur Wakhidahida@usm.ac.idPrind Triajeng Pungkasantiprind@usm.ac.idAgusta Praba Ristadi Pinemagusta.pinem@usm.ac.id<span lang="EN-AU">Penyebaran Covid 19 varian Delta di Kota Semarang pada bulan Juni – November 2021 mengakibatkan terjadinya kembali lonjakan. Hal ini menjadi pertimbangan Dinas Kesehatan terkait pembelajaran tatap muka (PTM) terbatas. Universitas Semarang (USM) yang memiliki mahasiswa terbanyak di Kota Semarang dengan jumlah mahasiswa terdaftar sejumlah 21644. Banyaknya mahasiswa yang dimiliki USM akan sangat rentan terjadinya pelanggaran protokol kesehatan dilingkungan universitas seperti adanya kerumunan mahasiswa. Salah satu yang dapat dilakukan dalam pencegahan yaitu deteksi objek untuk menentukan kerumunan menggunakan teknologi <em>deep learning</em>. Penerapan <em>deep learning</em> pada model pendeteksi objek menggunakan metode <em>Convolutional Neural Network (CNN)</em> berfungsi untuk melakukan ekstraksi fitur ciri objek yang tertangkap kamera, lalu akan disimpan sebagai fitur ciri objek. Setelah fitur disimpan, model melakukan pendeteksian dan menghitung banyaknya objek pada citra yang ditangkap untuk menentukan tingkat kerumunan mahasiswa. Model yang dibangun secara keseluruhan memiliki F1-Score 0.91 yang berarti kegagalan False Negative maupun False Positive tidak berbeda jauh. Model deteksi ini mampu melakukan penghitungan obyek manusia dengan <em>MAPE</em> 17% dan <em>RMSE</em> 2.68.</span>2023-12-23T04:16:18+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/69328Pemanfaatan Smart Contract dalam Transformasi Supply Chain melalui Teknologi Blockchain2023-12-30T11:27:51+00:00Aditiya Hermawanaditiya.hermawan@ubd.ac.idDeviastati Putri Sugiarta Karlimdeviastati@ubd.ac.idJunaedi Junaedijunaedi@ubd.ac.idBenny Daniawanbenny.daniawan@ubd.ac.id<span lang="EN-AU">Saat ini, keterbatasan informasi mengenai keaslian produk masih mengemuka, memicu penyebaran produk palsu secara tidak terkontrol di masyarakat. Supply chain, sebagai elemen integral, memiliki peran sentral dalam memberikan pemahaman signifikan kepada konsumen terkait produk yang mereka konsumsi. Teknologi blockchain dalam manajemen rantai pasok menawarkan transparansi, yang dapat secara substansial meningkatkan kepercayaan konsumen terhadap produk yang dipilihan. Namun, penerapan teknologi blockchain dalam rantai pasok saat ini masih terbatas, dan minimnya pemahaman tentang blockchain menjadi hambatan utama. Penelitian ini bertujuan untuk menyajikan informasi komprehensif mengenai produk dalam rantai pasok serta memanfaatkan teknologi blockchain melalui smart contract. Melalui penerapan sistem berbasis teknologi blockchain dalam rantai pasok, pengguna akan memperoleh informasi yang substansial dan komprehensif mengenai produk yang mereka akuisisi dan gunakan. Hasil evaluasi yang menunjukkan kepuasan konsumen secara keseluruhan sebesar 89,64%. Sistem ini sangat membantu bagi konsumen pada saat memutuskan untuk membeli sebuah produk dengan mengetahui informasi yang lengkap dan transparan terkait produk. Dalam hal ini, penerapan teknologi blockchain dengan smart contract meningkatkan keyakinan konsumen bahwa produk yang mereka beli autentik dan aman. Teknologi blockchain dengan smart contract menjadi solusi efektif dalam menanggulangi masalah produk palsu dan meningkatkan transparansi rantai pasok. Teknologi blockchain memungkinkan penyediaan informasi yang aman dan tidak dapat diubah, sedangkan smart contract memfasilitasi transaksi otomatis dan transparan tanpa perantara.</span>2023-12-23T05:12:03+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/67819Implementasi Pengukuran Kenyamanan Visual Pada Ruang Perkantoran berbasis Internet of Thing2023-12-30T11:27:51+00:00Rina Dewi Indahsaririnadewi@asia.ac.idSiti Sendarisiti.sendari.ft@um.ac.idWahyu Sakti Gunawan IriantoWahyu.sakti@um.ac.id<p class="IEEEAbtract"><span lang="IN">Pencahayaan yang cukup secara alami dibutuhkan manusia dalam beraktivitas. Gedung perkantoran sebagai tempat beraktivitas memerlukan pengaturan pencahayaan agar penghuninya mendapatkan kenyamanan visual. Biaya yang tinggi tidak selalu mampu memberikan kenyamanan yang dibutuhkan. Untuk itu perlu dilakukan pengukuran kenyamanan visual pada ruang perkantoran untuk menerapkan kondisi pencahayaan yang paling efektif sesuai kondisi ruangan dan kebutuhan penghuninya. Penggunaan pencahayaan buatan (lampu) akan membantu panca indera penglihatan manusia dalam mengakses informasi. Pengukuran tingkat cahaya dilakukan menggunakan sensor BH1750 yang dikoneksikan dengan Arduino modul wifi ESP8266. Sistem mampu menyimpan hasil pengukuran tingkat cahaya secara <em>real time</em> dan ditampilkan melalui <em>dashboard website</em>. Hasil pengukuran dikombinasikan dengan data cuaca dan kebiasaan penghuni dalam mengatur pencahayaan buatan (lampu). Dari hasil eksperimen dan observasi pada ruang perkantoran dengan luas 64,8 m<sup>2</sup> menunjukkan bahwa kenyamanan visual mampu di dapatkan dengan pencahayaan buatan (lampu) sepanjang hari. Hasil eksperimen menunjukkan bahwa masing-masing bagian dalam ruangan menerima tingkat pencahayaan yang berbeda. Pengukuran tingkat pencahayaan berbasis IoT mampu menunjukkan hasil bahwa 2 dari 5 titik meja kerja telah mememiliki pencahayaan yang baik dan memberikan kenyamanan visual bagi penghuninya. Dari hasil survey menunjukkan bahwa kenyamanan visual penghuni berada pada tingkat cahaya 100 lux atau lebih.</span></p>2023-12-23T05:52:46+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/69195Predicting Student Academic Performance Based on Psychological Test using Machine Learning2023-12-30T11:27:51+00:00Mario E. S. Simaremaremario@del.ac.idSan A. Limbongsanantoniolimbong@gmail.comEstomihi R. Siraitestomihisirait@gmail.comCristina S. Hasibuancristina.hasibuan28@gmail.com<p class="IEEEAbtract"><span lang="EN-GB">It is essential to consider the psychological aspect of selecting new students to determine the success of prospective students. The psychological aspect is measured by a psychological test that shows the level of prospective students' abilities in social, emotional, personality, and potential to live at university. This paper proposes an approach to predicting student performance based on their psychological test scores using the Decision Tree and Random Forest algorithms. The dataset used in this study was taken from the student academic record at Institut Teknologi Del, which includes years of psychological test scores and the Grade Point Average (GPA) from studying at the Institute. More specifically, the dataset used includes the 2019, 2020, and 2021 class years. However, there are gaps in the dataset used, including missing values and psychological test attributes such as TIU, TIU Category, Work Achievement, Work Tempo, Accuracy, and Consistency, which are unavailable in other datasets. This is shown in the correlation heatmap, which shows the level of correlation for each attribute, which is still classified as a very weak correlation. Therefore, we came up with two approaches. The first approach is to use as many records as possible (Analysis on records), and the opposite of the second is to take advantage of more features (Analysis based on features). The two approaches are compared to determine which performs better for the classification model. Our results show that studies that emphasize the use of records produce slightly better performance than analyses that emphasize features. In more detail, the random forest algorithm produces the best performance compared to the decision tree algorithm in each Analysis, the RMSE value is 0.4552, and the MAE value is 0.3514. Moreover, none of the psychological test attributes strongly correlate to GPA and hence do not guarantee student performance.</span></p>2023-12-23T06:05:29+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/67843Perbandingan Performansi Support Vector Machine (Svm) dan Backpropagation untuk Klasifikasi Studi Mahasiswa Undiksha2023-12-30T11:27:51+00:00Dwi Prima Handayani Putridwi.prima@undiksha.ac.idNi Putu Novita Puspa Dewinovita.puspa.dewi@undiksha.ac.idI Ketut Purnamawanpurna@undiksha.ac.idNi Wayan Martiwayan.marti@undiksha.ac.id<p class="IEEEAbtract">Kelulusan mahasiswa tepat waktu merupakan salah satu tujuan dalam setiap universitas, tidak terkecuali Universitas Pendidikan Ganesha. Permasalahan ketidaklulusan mahasiswa tepat waktu tidak hanya akan menimbulkan permasalahan bagi mahasiswa tersebut, tetapi juga pada akreditasi kampus. Langkah preventif dapat dilakukan dengan mengidentifikasi mahasiswa yang berpotensi studinya mengalami masalah. Solusi ini dapat dilakukan dengan membuat model <em>machine learning</em> yang dapat mengklasifikasikan apakah seorang mahasiswa terindikasi bermasalah atau tidak. Pada penelitian ini, kinerja model <em>SVM</em> dan <em>Backpropagation</em> akan dibandingkan. Penelitian ini menggunakan sejumlah 4100 <em>instances</em> dengan <em>features </em>seperti indeks prestasi semester dari semester satu sampai enam, IPK, jumlah satuan kredit semester dari semester satu sampai enam, SKS komulatif, nominal UKT, penghasilan orang tua, dan asal daerah mahasiswa. Terdapat tiga buah percobaan untuk proporsi pembagian dataset dengan proporsi pembagian dataset terbaik pada 90%:10% dan nilai k=4 untuk <em>K-Fold Cross Validation</em>. Model <em>SVM</em> dengan kernel polinomial memberikan performa terbaik dengan akurasi 97%, begitu pula dengan model <em>Backpropagation</em> yang menggunakan fungsi aktivasi sigmoid memiliki performa terbaik pada akurasi 97%. Sehubungan dengan perbandingan hasil <em>Confusion Matrix</em> serta kurva <em>AUC</em>, model <em>Backpropagation</em> menujukkan performa yang sedikit lebih unggul daripada model <em>SVM</em>. Pada proses pembuatan model, arsitektur serta parameter-parameter pada model harus diperhatikan agar model terbaik dapat dihasilkan.</p><div id="annotate-plugin-fab" class="extension_reset_css AnnotateNet_widget AnnotateReviewNotesButton" style="display: none; z-index: 2147483644;" data-id="ExtensionFAB"><div class="extension_reset_css AnnotateNet_widget annotateclickable" style="z-index: 8; display: none;" title="Resize" data-id="Widget"> </div></div>2023-12-23T06:37:29+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/67935Analisis Clustering dan Pemetaan Sebaran Pelanggan Perusahaan Properti di Sidoarjo2023-12-30T11:27:51+00:00Apriliani Nur Afifah19410100078@dinamika.ac.idVivine Nurcahyawativivine@dinamika.ac.idValentinus Roby Hanantovalentinus@dinamika.ac.id<p class="IEEEAbtract"><span lang="IN">Strategi pemasaran selalu diterapkan pada perusahaan yang bertujuan untuk melakukan penjualan sebanyak-banyaknya dengan margin yang tinggi yang didukung oleh promosi yang menarik. Tentunya dengan melakukan promosi yang menarik memerlukan anggaran yang tinggi. Didapatkan data bahwa anggaran untuk pemasaran yang telah dilakukan mencapai 4% dari total <em>omzet</em> yang dimiliki. Hal tersebut dinilai bahwa pemasaran yang dilakukan kurang optimal, tidak terencana, dan menyebabkan kerugian. Hal ini terjadi karena belum adanya penetapan strategi pemasaran berdasarkan kondisi sebaran pelanggannya. Oleh karena itu, diperlukan adanya pengelompokan pelanggan melalui <em>data</em> <em>mining</em> dengan menerapkan metodologi CRISP-DM. Adapun algoritma yang digunakan adalah <em>K-Means Cluster</em>ing dari data historikal pelanggan agar dapat menciptakan strategi <em>marketing</em> yang benar dan tepat sasaran. Tujuan penelitian ini adalah melakukan analisis <em>clustering </em>sebaran pelanggan untuk mengetahui segmentasi pelanggan. Kontribusi dari penelitian ini berupa pemetaan persebaran pelanggan dari hasil <em>cluster</em>ing <em>data mining </em>agar mudah dipahami oleh pengguna sehingga dapat dijadikan sebagai acuan untuk melakukan strategi <em>marketing</em>. Dengan menerapkan metode <em>Elbow</em> dan Algoritma <em>K-Means Cluster</em>ing pada penelitian ini dapat menyelesaikan masalah segmentasi pelanggan dimana pengujian akurasi menggunakan model <em>silhouette score</em> atas hasil 3 <em>cluster</em> menghasilkan nilai 0.959 yang berarti <em>cluster</em> tersebut optimal atau bernilai sangat baik sehingga dapat membantu divisi <em>Marketing</em> dalam mempromosikan produk lebih terarah.</span></p>2023-12-23T07:04:29+00:00Copyright (c) JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/68389Implementasi Algoritma Aho-Corasick pada Pencarian di Aplikasi Lost and Found2023-12-30T11:27:51+00:00Naufal Ferdy Sulaemannaufal.ferdy@widyatama.ac.idMurnawan Murnawanmurnawan@widyatama.ac.id<p>Pencarian informasi yang efisien dan akurat merupakan tantangan dalam pengembangan aplikasi <em>Lost and Found</em>. Penelitian ini mengeksplorasi implementasi algoritma <em>Aho-Corasick</em> pada sistem pencarian di aplikasi <em>Lost and Found</em>. Algoritma <em>Aho-Corasick</em>, sebuah algoritma pencarian <em>string</em> efisien, digunakan untuk meningkatkan kinerja dan ketepatan pencarian objek yang hilang. Penelitian ini berfokus pada desain dan implementasi algoritma <em>Aho-Corasick</em> dalam pengembangan fitur pencarian di aplikasi <em>Lost and Found</em>. Pertama, studi dilakukan untuk memahami prinsip kerja algoritma <em>Aho-Corasick</em> serta keunggulan dalam konteks aplikasi ini. Selanjutnya, algoritma tersebut diimplementasikan dalam lingkungan pengembangan aplikasi dan disesuaikan dengan kebutuhan fitur pencarian yang diinginkan. Aplikasi ini diciptakan dengan menggunakan sistem <em>backend</em> (API) dan <em>frontend</em>, sehingga API (<em>Application Programming Interface</em>) dari aplikasi ini dapat digunakan dalam devices yang berbeda pada pengembangan selanjutnya. Metode pengujian yang digunakan melibatkan sejumlah skenario pencarian yang berbeda untuk mengukur kinerja algoritma <em>Aho-Corasick</em>. Parameter yang diukur meliputi waktu respons pencarian, ketepatan hasil pencarian, dan penggunaan sumber daya sistem. Berdasarkan hasil pengujian, algoritma Aho-Corasick yang menghasilkan waktu total 145.68 ms terbukti memiliki waktu pemrosesan yang lebih cepat 300% dibandingkan dengan metode pencocokan kata kunci pencarian dengan laporan yang tersimpan dalam database yang mencatatkan waktu total 459.93 ms.</p>2023-12-23T07:22:36+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/69990Sistem Penentuan Penerima Bantuan KIP Kuliah dengan Menggunakan Metode MOORA (Studi Kasus: Universitas Tanjungpura)2023-12-30T11:27:51+00:00Alfredo Michael Alliandawalfredo1st@student.untan.ac.idRenny Puspita Sarirennysari@sisfo.untan.ac.idIbnur Rusiibnurrusi@sisfo.untan.ac.id<p class="IEEEAbtract"><span lang="EN-AU">Setiap individu memiliki kesempatan yang setara untuk dapat melanjutkan pendidikannya menuju ke jenjang perkuliahan, oleh karena keterbatasan biaya, tidak semua orang dapat berkuliah di tempat yang diinginkan, salah satu program bantuan yang diberikan oleh pemerintah dalam penanganan biaya kuliah adalah bantuan Kartu Indonesia Pintar Kuliah (KIP-K). Program KIP-K merupakan salah satu pilihan bantuan dalam penanganan biaya pendidikan yang diberikan kepada calon mahasiswa dengan tingkat perekonomian rendah yang berada di Universitas Tanjungpura. Akan tetapi, dikarenakan banyaknya calon mahasiswa yang mendaftar untuk mendapatkan bantuan program KIP-K, sehingga menyebabkan jumlah pendaftar melebihi dari kuota yang diberikan, dan dengan adanya faktor penilaian yang rumit untuk dapat diukur kepada masing-masing pendaftar, maka diperlukan suatu sistem pendukung keputusan dengan menggunakan algoritma perhitungan MOORA sebagai metode perhitungan. Hal ini dilakukan agar pemberian bantuan KIP-K diberikan kepada mahasiswa dengan tepat, sehingga bantuan yang diterima oleh setiap mahasiswa dapat digunakan sebaik mungkin. Kesimpulan pada penelitian ini adalah ketika menggunakan sistem dalam menentukan pemberian bantuan KIP-K kepada para calon mahasiswa UNTAN, dapat dihasilkan perangkingan dari mahasiswa yang paling layak hingga kurang layak untuk menerima bantuan KIP-K. Dari data penelitian sebanyak 30 sampel, diperoleh hasil dengan mahasiswa yang memiliki kode alternatif A4 meraih nilai akhir tertinggi sebesar 0.138783, sedangkan mahasiswa dengan nilai terendah dimiliki oleh kode alternatif A3 dengan nilai sebesar 0.019263</span><span lang="EN-US">.</span></p>2023-12-27T02:31:15+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/68845Perbandingan Gini Index dan Chi Square pada Sentimen Analsis Ulasan Film menggunakan Support Vector Machine Classifier2023-12-30T11:27:51+00:00Mahendra Dwifebri Purbolaksonomahendradp@telkomuniversity.ac.idDeninsyah Tiya Bella Pratamabelladenin@students.telkomuniversity.ac.idFahmi Hamzahibuemar@students.telkomuniversity.ac.id<p class="IEEEAbtract"><span lang="IN">Pada era informasi ini semakin banyak penilaian, pendapat dan pandangan yang dapat ditemukan secara luas di dunia maya. Contohnya adalah ulasan film, di mana penonton berbagi pandangannya mengenai sebuah film. Ulasan film adalah platform di mana para penggemar film dapat mengungkapkan pendapat mereka, baik itu dalam bentuk komentar negatif atau pun positif. Sebagian besar <em>website</em> untuk ulasan film sudah memiliki rating atau bintang, namun rating tinggi tidak selalu diiringi oleh ulasan yang baik begitu pun sebaliknya. Untuk itu, dibutuhkan metode untuk menganalisis teks dengan tujuan mengklasifikasikan apakah ulasan film tersebut termasuk dalam kategori negatif ataupun positif. Teknik yang digunakan adalah analisis sentimen atau <em>opinion mining</em>. Analisis sentimen adalah bidang dalam <em>machine learning</em> yang bertujuan untuk mengambil informasi bersifat subjektif dari teks ulasan. Salah satu metode klasifikasi <em>machine </em>learning adalah <em>Support Vector Machine</em> (SVM). Namun semakin banyak data akan muncul beberapa masalah yaitu banyaknya kata atau fitur yang tidak relevan menyebabkan kinerja pengklasifikasian menurun. Fitur tidak relevan akan menyebab perfomansi yang rendah. Seleksi fitur <em>Gini Indeks </em>dan <em>Chi-Square</em> dibandingkan untuk mengatasi masalah kata yang tidak relevan. Pada penelitian ini, metode klasifikasi SVM<em> </em>kombinasikan dengan metode seleksi fitur untuk meningkatkan performansi<em>. </em>Kombinasi SVM dan <em>Gini Index</em> menghasilkan performansi <em>F1-score</em> sebesar 85.8%. Sedangkan menggunakan SVM dan <em>Chi-Square</em> menghasilkan performansi <em>F1-score </em>tertinggi yaitu sebesar 89.2%.</span></p>2023-12-28T07:17:56+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)https://jurnal.untan.ac.id/index.php/jepin/article/view/68803Case Study of Inventory Management for Biology Laboratory Materials using ERP System2023-12-30T11:27:51+00:00Teddy Marcus Zakariateddy.marcus@it.maranatha.eduWahyu Widowatiwahyu.widowati@maranatha.eduBernard Renaldy Sutejabernard.rs@it.maranatha.edu<p class="IEEEAbtract"><span lang="EN-GB">Efficient inventory management is essential for biology laboratories to ensure the availability of materials for research and experiments. This case study explores the implementation of an Enterprise Resource Planning (ERP) system for inventory management in a biology laboratory. The objective is to enhance inventory control, streamline processes, and improve overall efficiency. The ERP system was implemented to address inventory management challenges and improve the accuracy and transparency of material tracking. The study assessed the impact of the ERP system on inventory control, procurement processes, and decision-making related to material planning. The findings of the case study demonstrate the benefits of implementing an ERP system for inventory management in a biology laboratory. The system provided real-time visibility of stock levels, enabling efficient tracking and monitoring of laboratory materials. It also automated procurement processes, reducing manual errors and streamlining the procurement cycle. The ERP system facilitated informed decision-making through data analytics, aiding in material planning and resource allocation. The successful implementation of the ERP system in the biology laboratory serves as a model for other similar laboratories seeking to enhance their inventory management practices. The case study emphasizes the significance of leveraging technology, such as ERP systems, to optimize inventory control and improve operational efficiency. The benefits include improved accuracy, reduced wastage, and increased productivity. This case study contributes to the existing knowledge on inventory management for biology laboratory materials and provides practical insights for organizations considering the implementation of an ERP system.</span></p>2023-12-30T11:25:48+00:00Copyright (c) 2023 JEPIN (Jurnal Edukasi dan Penelitian Informatika)