Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer

Analisis Sentimen Publik terhadap Program Makan Bergizi Gratis di Sosial Media TikTok Menggunakan Support Vector Machine (SVM)

2026-02-11T11:55:00+07:00

Program makan bergizi gratis kini sedang menjadi perbincangan hangat karena mendapatkan anggaran yang besar dengan tujuan untuk menekan angka stunting sehingga memicu dinamika opini masyarakat di tiktok yang kini telah menjadi ruang diskusi publik yang dinamis. Penelitian ini berfokus untuk memetakan secara objektif respons publik mengenai kebijakan program makan bergizi gratis di media sosial tiktok. Metode SVM ini dipilih karena memiliki keunggulan dalam mengklasifikasikan teks berdimensi tinggi dan karena kemampuannya yang bisa memberikan akurasi yang stabil. Dengan tahap awal mengumpulkan data sebanyak 14.930 data mentah dari Oktober – November 2025, melakukan cleaning data, normalisasi teks, dan pembobotan TF-IDF untuk mengubahnya menjadi fitur numerik. Setelah proses pelatihan dengan pembagian data 80:20, model SVM mencapai tingkat akurasi sebesar 79%. Hasil analisis sentimen menunjukkan bahwa kata yang sering muncul pada sentimen positif adalah yang terkait dengan rasa syukur, manfaat program, dan dukungannya, sedangkan untuk sentimen negatif terkait dengan pelaksanaan program, pemotongan anggaran dan besarnya biaya. Akurasi sebesar 79% membuktikan metode SVM ini valid sebagai dasar untuk menyediakan data real-time sangat penting untuk pemerintah dalam mengevaluasi dan merespons aspirasi masyarakat secara adaptif.

Mengatasi Serangan DDoS SYN Flood dengan Metode Rate Filtering untuk Peningkatan Keamanan Jaringan Server

2026-02-11T13:43:45+07:00

keamanan jaringan menjadi aspek penting yang menentukan keandalan suatu sistem. Salah satu ancaman serius yang kerap mengganggu kestabilan jaringan adalah serangan Distributed Denial of Service (DDoS), khususnya jenis Synchronize SYN Flood. Serangan ini memanfaatkan kelemahan pada proses three-way handshake protokol Transmission Control Protocol (TCP) dengan membanjiri server menggunakan permintaan koneksi palsu dalam jumlah besar. Kondisi tersebut menyebabkan sumber daya server terkuras, respon melambat, dan layanan menjadi tidak tersedia bagi pengguna yang sah. Untuk menjaga kestabilan jaringan dan mengurangi dampak serangan, penelitian ini mengusulkan penerapan metode Rate Filtering sebagai solusi pencegahan. Pendekatan ini bekerja dengan membatasi jumlah permintaan koneksi yang diterima dalam jangka waktu tertentu, sehingga lalu lintas mencurigakan dapat dibatasi tanpa mengganggu aktivitas pengguna normal. Melalui serangkaian simulasi pada lingkungan jaringan terkontrol, dilakukan pengujian performa server sebelum dan sesudah penerapan metode.Hasil penelitian menunjukkan bahwa penerapan Rate Filtering mampu menekan jumlah koneksi palsu secara signifikan, menurunkan penggunaan sumber daya sistem, serta meningkatkan kestabilan dan ketersediaan layanan jaringan. Dengan demikian, metode ini dapat menjadi alternatif efektif dalam memperkuat pertahanan server terhadap serangan DDoS SYN Flood dan menjaga keamanan jaringan secara berkelanjutan.

Pengembangan Sistem Parkir Otomatis Berbasis IoT di Universitas Nusa Putra dengan Integrasi Sensor Ultrasonik dan RFID untuk Optimalisasi Waktu Akses

2026-02-11T16:07:27+07:00

Sistem parkir di Universitas Nusa Putra masih menggunakan metode manual berbasis tombol yang sering menyebabkan antrean dan pemborosan waktu, terutama pada jam sibuk. Kondisi ini mendorong perlunya sistem parkir yang lebih efisien dan modern. Penelitian ini bertujuan merancang dan menerapkan sistem parkir otomatis berbasis Internet of Things (IoT) dengan memanfaatkan sensor ultrasonik dan RFID (Radio Frequency Identification) untuk mempercepat proses masuk dan keluar kendaraan di area parkir kampus. Metode yang digunakan adalah rancang bangun dengan perancangan perangkat keras meliputi mikrokontroler ESP32, modul RFID untuk identifikasi kendaraan masuk, sensor ultrasonik untuk mendeteksi kendaraan keluar, serta integrasi server backend dan dashboard ThingSpeak untuk pengelolaan data dan transaksi digital berbasis e-wallet. Hasil pengujian menunjukkan bahwa sistem otomatis mampu menurunkan waktu akses masuk dan keluar kendaraan menjadi rata-rata 3 detik, dibandingkan sistem manual yang membutuhkan 7–10 detik, sehingga meningkatkan efisiensi waktu hingga 57,1% untuk masuk dan 70% untuk keluar. Berdasarkan hasil tersebut, dapat disimpulkan bahwa sistem parkir otomatis berbasis IoT mampu mengurangi antrean, meningkatkan efisiensi waktu, dan mendukung konsep kampus cerdas melalui pencatatan digital yang lebih praktis dan akurat.

Perbandingan Kecepatan Performa Website E-Commerce antara Bootstrap dan Tailwind CSS Menggunakan Lighthouse untuk Optimasi

2026-02-12T09:30:50+07:00

Performa website merupakan hal penting dalam pengembangan e-commerce karena langsung memengaruhi pengalaman pengguna, kecepatan akses dan efektivitas opstimasi mesin pencari. Bootstrap dan Tailwind CSS adalah dua framework CSS yang sering digunakan, tetapi keduanya ciri-ciri berbeda dalam hal fleksibilitas desain dan stabilitas performa. Penelitian ini bertujuan membandingkan performa website e-commerce yang menggunakan dua framework CSS dan Bootstrap dengan alat audit yaitu Google Lighthouse. Metode yang digunakan dalam penelitian ini adalah metode kuantitatif berupa perbandingan eksperimental dengan menguji dua website, yaitu Zalora.co.id yang telah terbukti menggunakan Bootstrap dan Blibli.com sebagai contoh penggunaan dari framework Tailwind CSS. Uji coba dilakukan dalam tiga waktu yang berbeda yaitu pagi, siang, dan sore dengan mengukur empat metrik utama, yaitu Performance, Accessibility, Best Practice, dan SEO. Hasil penelitian menunjukkan bahwa Bootstrap memiliki performance yang lebih stabil dengan peningkatan skor performance dari 37 menjadi 57 serta nilai SEO yang konsisten pada angka 92. Sementara itu, Tailwind CSS menunjukkan keunggulan pada metrik aksesibilitas dengan skor mencapai 96, tetapi mengalami penurunan yang signifikan pada matriks performa dan SEO di siang hari. Berdasarkan hasil tersebut, Bootstrap lebih cocok untuk e-commerce yang memprioritaskan stabilitas performa, sedangkan Tailwind CSS lebih di rekomendasikan untuk pengembangan antarmukan yang membutuhkan aksesibilitas yang tinggi. Penelitian ini diharapkan dapat menjadi referensi untuk pengembang web dalam memilih framework CSS yang sesuai dengan kebutuhan proyek.

Implementasi IoT dan Decision Tree untuk Prediksi dan Peringatan Dini Polusi Udara

2026-02-12T09:47:51+07:00

Kualitas udara merupakan faktor lingkungan yang berpengaruh signifikan terhadap kesehatan manusia, terutama di wilayah perkotaan dengan tingkat aktivitas dan mobilitas yang tinggi. Keterbatasan sistem pemantauan kualitas udara konvensional dalam aspek biaya, jangkauan, dan ketersediaan data real-time mendorong perlunya pengembangan sistem yang lebih adaptif dan efisien. Penelitian ini bertujuan untuk mengembangkan sistem pemantauan dan prediksi kualitas udara terintegrasi berbasis Internet of Things (IoT) dan machine learning. Metode penelitian yang digunakan adalah metode kuantitatif dengan memanfaatkan data primer dan data sekunder. Data primer diperoleh melalui sistem IoT berbasis ESP32 yang terhubung dengan sensor MQ-135, DHT22, dan BMP280, kemudian dikirimkan secara real-time ke Firebase Realtime Database dan diklasifikasikan menggunakan pendekatan rule-based berdasarkan nilai gas index. Data sekunder diperoleh melalui API eksternal dan dianalisis menggunakan model Decision Tree yang dilatih dengan dataset Indeks Standar Pencemar Udara (ISPU). Hasil pengujian menunjukkan sistem IoT beroperasi stabil dengan interval pengiriman data 5 detik, serta model Decision Tree menghasilkan akurasi sebesar 99,30%. Sistem ini efektif untuk pemantauan dan prediksi kualitas udara secara real-time.

Enhanced Phishing Detection Using Machine Learning and URL Analysis

2026-02-12T10:00:18+07:00

Phishing adalah salah satu ancaman keamanan siber yang signifikan dan terus berkembang, dengan memanfaatkan URL berbahaya untuk menipu pengguna agar mengungkapkan informasi sensitif. Di era modern, Phishing semakin sulit dideteksi karena menggunakan struktur URL yang kompleks dan menyerupai situs resmi. Oleh karena itu, diperlukan metode deteksi yang adaptif dan efisien. Penelitian ini mengusulkan sistem deteksi URL phishing berbasis machine learning dengan menganalisis karakteristik URL seperti leksikal, struktural, dan statistik. Tujuan dari penelitian ini adalah untuk mengukur model machine learning yang memiliki kinerja terbaik untuk mendeteksi Phishing. Dataset URL Phishing dan legitimate didapat dari situs PhishTank dan Majestic, kemudian diproses melalui tahap pre-processing, ekstraksi fitur, dan penanganan ketidakseimbangan kelas. Fitur yang digunakan mencakup panjang URL, struktur domain dan subdomain, karakter khusus, keberadaan alamat IP, penggunaan HTTPS, kata kunci mencurigakan, layanan URL shortener, serta fitur Shannon entropy. Empat algoritma supervised machine learning diuji, yaitu K-Nearest Neighbors, Decision Tree, Random Forest, dan Extreme Gradient Boosting (XGBoost). Pelatihan model dilakukan menggunakan pipeline terintegrasi dengan normalisasi fitur, penyetelan hyperparameter melalui grid search, serta validasi silang lima lipatan. Evaluasi kinerja dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan ROC-AUC. Hasil eksperimen menunjukkan bahwa model ensemble memberikan kinerja terbaik. Random Forest mencapai F1-score sebesar 0,822 dan nilai ROC-AUC tertinggi sebesar 0,916, sementara XGBoost menunjukkan presisi tertinggi sebesar 0,962 dengan jumlah false positive yang lebih rendah dibandingkan model lainnya. Analisis kontribusi fitur menunjukkan bahwa jumlah subdomain, jumlah titik, dan kata kunci mencurigakan merupakan indikator paling berpengaruh. Hasil ini membuktikan bahwa pendekatan berbasis analisis URL dan machine learning efektif untuk deteksi Phishing secara otomatis.

Pengembangan Asisten Belanja Pintar Berbasis Interaksi Suara untuk Pengendalian Pengeluaran Konsumen Ritel Fisik

2026-02-12T10:20:04+07:00

Konsumen di toko fisik sering kali menghadapi tantangan dalam melacak pengeluaran mereka secara real-time, yang mengakibatkan kejutan tagihan dan perilaku impulsif. Solusi tradisional pada gadget dianggap tidak efisien karena membutuhkan pemrosesan kognitif yang rumit dan koordinasi visual-motorik. Penelitian ini memperkenalkan Cartify, asisten belanja pintar yang dibangun di atas React Native, yang menggunakan model Pemahaman Bahasa Alami (NLU) Groq llama-3.1-8b-instan melalui arsitektur tanpa status untuk mengubah perintah suara menjadi data transaksi instan. Teknik penelitian ini menggunakan pendekatan eksperimen kuantitatif di 50 skenario berbeda dalam pengaturan lingkungan simulasi yang meniru kondisi toko serba ada di dunia nyata. Penilaian kinerja menggunakan ukuran Tingkat Kesalahan Masukan (IER), Waktu Penyelesaian Tugas (TCT), dan Varians Anggaran (BV). Temuan empiris menunjukkan bahwa sistem mengeksekusi perintah suara dengan rata-rata waktu eksekusi total (TCT) 637,24 ms, melampaui tolok ukur efisiensi waktu optimal. Validasi keuangan menunjukkan nilai BV sebesar 1,39%, yang menandakan presisi kalkulasi yang tinggi dan sangat mendekati data transaksi aktual. Meskipun IER tercatat 4% dalam kalimat yang tidak jelas, sistem tersebut menunjukkan ketahanan penuh terhadap gangguan input non-transaksional. Kesimpulannya, penggabungan teknologi ucapan telah menunjukkan efektivitasnya sebagai alat manajemen anggaran yang responsif dan presisi bagi konsumen.

Pengembangan Sistem Informasi Kontrakan Berbasis Website dengan Metode Agile untuk Mendukung Digitalisasi dan Efisiensi Pengelolaan

2026-02-12T11:10:36+07:00

Pengelolaan kontrakan merupakan salah satu aspek penting dalam sektor properti yang memerlukan pencatatan data penyewa, pengaturan ketersediaan kamar, serta koordinasi antara pemilik dan penyewa.. Namun, banyak kontrakan masih dikelola secara konvensional, menggunakan catatan manual atau spreadsheet sederhana, sehingga berpotensi menimbulkan kesalahan pencatatan, keterlambatan pengingat jatuh tempo, dan komunikasi yang kurang efisien. Penelitian ini bertujuan untuk mengembangkan sistem informasi kontrakan berbasis web yang mendukung digitalisasi dan meningkatkan efisiensi pengelolaan. Sistem ini dikembangkan menggunakan metode Agile, dengan iterasi pengembangan yang memungkinkan pengujian dan perbaikan fitur secara cepat. Sistem informasi ini mencakup manajemen data kamar dan fasilitas kamar, informasi ketersediaan kamar, manajemen data penyewa, serta notifikasi pengingat jatuh tempo pembayaran kepada penyewa. Selain itu, adapun rencana implementasi beberapa fitur lanjutan yaitu seperti fitur pemesanan atau reservasi kamar, integrasi pembayaran digital, serta ruang percakapan yang menghubungkan pemilik dan penyewa. Hasil implementasi menunjukkan peningkatan efisiensi proses administrasi, kemudahan akses data bagi pemilik dan penyewa, serta transparansi yang lebih baik bagi penyewa. Kontribusi penelitian ini adalah menghadirkan solusi digital yang praktis dan adaptif bagi pemilik kontrakan untuk meningkatkan efektivitas manajemen operasional sekaligus memberikan pengalaman yang lebih baik bagi penyewa. Evaluasi sistem dilakukan melalui uji coba fungsionalitas dan umpan balik pengguna, yang merekomendasikan pengembangan fitur mobile dan integrasi pembayaran online sebagai langkah optimalisasi lebih lanjut.

Klasifikasi Pola Tidur Tidak Teratur Manusia Berdasarkan Aktivitas Harian Menggunakan Metode Random Forest

2026-02-12T11:23:39+07:00

Perubahan gaya hidup modern berkontribusi terhadap meningkatnya ketidakteraturan pola tidur yang sering kali tidak disadari sebagai permasalahan kesehatan serius. Penelitian sebelumnya umumnya menitikberatkan pada pendekatan diagnosis klinis, sementara pemanfaatan data aktivitas harian sebagai faktor prediktif masih belum dimaksimalkan. Studi ini difokuskan pada klasifikasi ketidakteraturan tidur melalui implementasi algoritma Random Forest terhadap 374 data yang bersumber dari Sleep Health and Lifestyle Dataset. Algoritma ini menjadi pilihan utama berkat keandalannya dalam mengolah hubungan rumit antara aspek fisik maupun psikologis. Evaluasi kinerja memperlihatkan hasil optimal yang mencapai akurasi 96%, nilai presisi 0,97, dan recall 0,94. Analisis korelasi juga mengungkapkan bahwa tingkat stres merupakan faktor dominan yang memiliki hubungan negatif kuat (-0,90) terhadap kualitas tidur. Selanjutnya, nilai rata-rata cross-validation sebesar 94,38% menunjukkan bahwa model memiliki kestabilan yang sangat baik dan andal dalam melakukan prediksi pada variasi data yang berbeda.

Pengembangan Model Prediksi Persentase Stunting di Jawa Barat Menggunakan Algoritma Random Forest dan Decision Tree

2026-02-12T11:32:47+07:00

Stunting pada balita merupakan masalah kesehatan yang serius dan memerlukan penanganan yang serius. Stunting dapat mengakibatkan terhambatnya tumbuh kembang anak akibat kekurangan gizi kronis dan memiliki dampak dalam jangka waktu yang lama. Kondisi ini berpengaruh terhadap perkembangan fisik dan kognitif, bahkan memiliki potensi dalam menurunkan produktivitas dan kualitas hidup anak di masa mendatang. Mengenai pentingnya penanganan dalam masalah ini, pendekatan berbasis data diperlukan untuk mendukung perencanaan dan evaluasi kebijakan untuk upaya penanggulangan stunting. Penelitian ini bertujuan untuk memprediksi persentase stunting pada tingkat Kabupaten/Kota dengan menggunakan Machine Learning yaitu Decision Tree dan Random Forest. Dengan membandingkan kedua algoritma untuk mengetahui algoritma mana yang lebih unggul dalam melakukan prediksi dari data histori yang berikan. Data yang digunakan didapatkan dari Open Data Jabar dengan rentang waktu beberapa tahun. Proses penelitian meliputi tahapan pengumpulan data, pra-pemrosesan, pemodelan Machine Learning, evaluasi model, interpretasi hasil, dan deployment. Evaluasi model menggunakan metrik regresi yaitu Mean Absolute Error (MAE) dengan nilai 2.06, Root Mean Squared Error (RMSE) dengan nilai 2.87, R-Square dengan nilai 0.54, Mean Absolute Persentage Error (MAPE) dengan nilai 30.75, dan Accuracy (%) yang dihasilkan dari Mean Absolute Persentage Error (MAPE). Hasil pengujian menunjukkan bahwa Decision Tree memberikan hasil kinerja yang cukup baik dengan nilai keakuratan dalam melakukan prediksi sebesar 69%, yang dihitung berdasarkan nilai MAPE. Meskipun Decision Tree terkenal dengan struktur yang intuitif, model tersebut tetap harus dioptimalkan untuk lebih akurat. Dengan melakukan analisis feature importance diketahui bahwa nilai stunting pada tahun sebelumnya dan rata-rata historis memiliki pengaruh yang signifikan terhadap hasil prediksi. Dengan demikian, model decision tree dapat digunakan untuk melakukan pengambilan keputusan dalam upaya penurunan stunting yang sederhana dan interpretatif sekaligus dapat memberikan wawasan mengenai faktor-faktor yang dominan dalam memengaruhi prevalensi.

Penggunaan Teknologi Blockchain Peer To Peer pada Sistem Download Program Torrent untuk Keberlangsungan Perservasi Data

2026-02-12T11:42:57+07:00

Perkembangan teknologi digital mendorong kebutuhan akan sistem distribusi data yang aman, efisien, dan berkelanjutan. Salah satu pendekatan yang potensial adalah penerapan teknologi blockchain pada mekanisme peer-to-peer (P2P) dalam sistem download program torrent. Teknologi torrent konvensional telah banyak digunakan karena kemampuannya dalam mendistribusikan file berukuran besar melalui jaringan terdesentralisasi, sehingga mampu mengurangi ketergantungan pada server tunggal. Namun demikian, sistem tersebut masih menghadapi tantangan pada aspek integritas data, keaslian sumber, serta keberlangsungan preservasi data dalam jangka panjang. Penelitian ini mengusulkan sebuah sistem download torrent berbasis P2P yang diintegrasikan dengan konsep blockchain lightweight untuk meningkatkan keamanan dan keandalan distribusi data. Integrasi dilakukan melalui penggunaan ledger terdistribusi yang bersifat immutable, hash kriptografis, serta struktur Merkle Tree untuk menjamin konsistensi dan validitas setiap potongan data (chunk) yang didistribusikan antar node. Selain itu, mekanisme pencatatan metadata file pada ledger memungkinkan proses verifikasi data dilakukan secara transparan tanpa bergantung pada otoritas terpusat. Hasil implementasi dan pengujian fungsional menunjukkan bahwa sistem yang diusulkan mampu memastikan integritas file hasil unduhan serta meningkatkan keandalan proses distribusi data dalam lingkungan jaringan P2P. Meskipun demikian, penelitian ini masih terbatas pada skala implementasi lokal dan belum mengevaluasi performa sistem pada jaringan berskala besar dengan tingkat heterogenitas node yang tinggi. Oleh karena itu, penelitian selanjutnya disarankan untuk mengembangkan mekanisme insentif berbasis smart contract serta melakukan evaluasi kinerja sistem pada lingkungan jaringan yang lebih luas guna mendukung keberlanjutan preservasi data digital dalam jangka Panjang.

Deteksi Serangan SQL Injection Berbasis Offensive AI pada Aplikasi Web Menggunakan NLP dan SVM untuk Pertahanan Proaktif

2026-02-12T11:56:36+07:00

Dengan meningkatnya risiko siber dan pesatnya transformasi digital, keamanan aplikasi web telah menjadi isu utama. Salah satu metode serangan paling mematikan untuk situs web yang menargetkan integritas basis data adalah SQL Injection (SQLi). Mengandalkan firewall berbasis aturan saja seringkali tidak cukup bagi pengelola sistem keamanan untuk menangkal serangan berbasis AI yang lebih canggih atau berbahaya. Tujuan proyek ini adalah untuk membangun pertahanan proaktif dengan mengembangkan mekanisme deteksi dini untuk serangan SQL injection pada aplikasi web menggunakan metode Support Vector Machine (SVM) dan pendekatan Natural Language Processing (NLP). Lima langkah membentuk metodologi penelitian: mengumpulkan dataset kueri SQL berbahaya dan tidak berbahaya; mempersiapkan teks (dekode dan tokenisasi); pembobotan fitur menggunakan TF-IDF; melatih model SVM; dan mengevaluasi kinerja model. Temuan menunjukkan bahwa model yang dibuat dapat mengkategorikan pola serangan dengan akurasi 98% dan presisi 0,99. Temuan ini dapat berfungsi sebagai dasar untuk sistem pertahanan siber otomatis yang menghentikan kebocoran data penting sebelum aktivitas berbahaya terjadi. Kesimpulannya, dengan tingkat akurasi rata-rata melebihi 97%, kombinasi NLP dan SVM telah menunjukkan efektivitas yang tinggi sebagai solusi keamanan cerdas.

Implementasi Smart Farming Otomatis untuk Mengurangi Lonjakan Harga Sayuran

2026-02-12T13:57:42+07:00

Lonjakan harga sayuran sering kali dipicu oleh ketidakseimbangan pasokan akibat cuaca ekstrem yang mengganggu jadwal tanam dan pemeliharaan konvensional. Kondisi tersebut berdampak pada menurunnya produktivitas pertanian dan meningkatkan risiko kerugian bagi petani. Penelitian ini mengusulkan implementasi sistem smart farming berbasis Internet of Things (IoT) yang berfokus pada dua fungsi utama, yaitu otomatisasi penyiraman (irigasi) dan otomatisasi pemupukan, sebagai upaya untuk meningkatkan efisiensi dan ketepatan dalam perawatan tanaman. Sistem ini dirancang untuk menggantikan metode manual yang tidak efisien dalam penggunaan air, memakan banyak waktu, serta rentan terhadap kesalahan manusia. Menggunakan sensor soil moisture untuk mendeteksi kelembapan tanah secara real-time, sistem akan mengaktifkan pompa air secara otomatis hanya saat dibutuhkan, sehingga menjamin efisiensi penggunaan air yang lebih tinggi dan mencegah terjadinya over-irigasi. Selain itu, sistem ini dilengkapi dengan mekanisme pemupukan otomatis yang terjadwal sesuai kebutuhan tanaman. Hasil pengujian menunjukkan bahwa sistem ini mampu menjaga kondisi optimal tanaman secara konsisten, meningkatkan efektivitas perawatan, menghemat waktu operasional petani secara signifikan, serta menekan pemborosan air. Dengan efisiensi tersebut, stabilitas produksi dapat terjaga sehingga potensi lonjakan harga akibat kelangkaan pasokan dapat diminimalisir.

Mengatasi Ancaman Kebocoran Data KTP Elektronik di Indonesia melalui Penerapan Strategi Enkripsi Hybrid ECC-AES

2026-02-12T14:28:43+07:00

Insiden kebocoran jutaan data KTP Elektronik (e-KTP) menjadi bukti nyata bahwa sistem perlindungan data kependudukan di Indonesia masih memiliki celah keamanan serius. Merespons masalah tersebut, penelitian ini mengajukan strategi pengamanan berbasis enkripsi hibrida. Pendekatan ini menyinergikan algoritma Advanced Encryption Standard (AES-256) untuk menjamin kecepatan enkripsi data, dengan Elliptic Curve Cryptography (ECC-secp256k1) yang berfungsi mengamankan proses pertukaran kunci. Penelitian dilakukan melalui metode eksperimen simulasi menggunakan 1.000.000 (satu juta) data e-KTP sintetis yang dibangkitkan secara komputasional. Berdasarkan uji simulasi, model hibrida ini terbukti mampu memproses enkripsi satu juta data hanya dalam 0,38 detik. Temuan ini mengindikasikan bahwa skema Hybrid AES-ECC tidak hanya unggul dari sisi keamanan, tetapi juga memiliki skalabilitas tinggi sehingga layak diadopsi sebagai standar teknis perlindungan data nasional.

Prediksi Cerdas Software Defects pada Proyek Python Menggunakan Static Analysis dan Machine Learning

2026-02-12T14:37:14+07:00

Keandalan perangkat lunak merupakan aspek krusial dalam rekayasa perangkat lunak modern, seiring meningkatnya penggunaan bahasa Python dalam pengembangan sistem open-source maupun enterprise. Deteksi dini cacat perangkat lunak sebelum proses eksekusi menjadi penting untuk menjaga kualitas sistem serta menekan biaya pemeliharaan. Namun, pendekatan tradisional seperti tinjauan kode manual dan analisis statis berbasis aturan sering mengalami keterbatasan dalam menangkap cacat yang bersifat kompleks dan kontekstual, khususnya pada proyek berskala besar, serta cenderung menghasilkan tingkat false positive yang tinggi. Penelitian ini mengusulkan sebuah intelligent framework yang mengintegrasikan static code analysis dengan pendekatan machine learning untuk memprediksi kecenderungan perbaikan bug pada proyek Python. Dataset disusun dari 10.757 snapshot file Python yang diekstraksi dari riwayat commit dua repositori berskala besar, yaitu Django dan scikit-learn. Enam fitur numerik diekstraksi menggunakan Radon, Pylint, dan Bandit untuk merepresentasikan kompleksitas kode, struktur program, pelanggaran gaya penulisan, serta potensi isu keamanan. Penelitian ini menggunakan tiga algoritma pembelajaran mesin, yaitu Random Forest, Support Vector Machine (SVM), dan Regresi Logistik, untuk tugas klasifikasi. Pemilihan algoritma tersebut didasarkan pada keunggulan masing-masing: Random Forest dipilih karena merupakan metode ensemble yang tahan terhadap overfitting, SVM dipilih karena efektif menangani data yang bersifat non-linear, dan Regresi Logistik digunakan sebagai baseline sederhana dengan proses komputasi yang cepat. Berdasarkan hasil evaluasi, model Random Forest memberikan kinerja terbaik pada metrik akurasi, presisi, recall, dan skor F1. Oleh karena itu, Random Forest dijadikan model utama dalam penelitian ini, sedangkan SVM dan Regresi Logistik hanya digunakan sebagai pembanding. Ketidakseimbangan kelas ditangani menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Hasil evaluasi menunjukkan bahwa model Random Forest memberikan performa terbaik dengan nilai akurasi sebesar 76,91%, precision 89,93%, recall 83,29%, dan F1-score 86,48% pada skema evaluasi stratified cross-validation. Analisis feature importance mengungkapkan bahwa kompleksitas kode dan jumlah pelanggaran gaya penulisan merupakan faktor paling berpengaruh terhadap prediksi bug.

Perancangan Celengan Pintar Berbasis IoT Menggunakan Seneesor Warna TCSP3200 dan Integrasi Bot Telegram untuk Meningkatkan Motivasi Menabung

2026-02-12T15:07:44+07:00

Celengan konvensional tidak transparan karena tidak menampilkan informasi setoran dan saldo secara langsung, sehingga motivasi menabung menjadi rendah, terutama pada pengguna muda. Penelitian ini merancang dan mengimplementasikan celengan pintar berbasis Internet of Things (IoT) dengan memanfaatkan sensor warna TCS3200 untuk mengidentifikasi nominal uang kertas berdasarkan nilai Red Green Blue (RGB). Mikrokontroler ESP32 digunakan sebagai pengolah data dan modul pengirim informasi ke server, sedangkan Telegram Bot berfungsi sebagai media notifikasi otomatis. Proses meliputi desain perangkat keras, kalibrasi sensor TCS3200, pemrograman klasifikasi nominal uang, pengembangan integrasi API Telegram, serta pengujian fungsional dengan variasi kondisi pencahayaan. Hasil pengujian menunjukkan sensor TCS3200 mampu mengenali nominal uang dengan akurasi yang memadai setelah kalibrasi, dan sistem notifikasi Telegram berhasil mengirimkan informasi setoran serta pembaruan saldo secara real-time. Implementasi ini terbukti meningkatkan transparansi pencatatan tabungan dan motivasi menabung pada pengguna. Penelitian menghasilkan prototipe celengan pintar yang fungsional dengan potensi pengembangan pada penyimpanan data berbasis cloud dan sistem keamanan lanjut.

Pengembangan Model Klasifikasi Nominal Uang Kertas Rupiah Berbasis Transfer Learning untuk Tunanetra

2026-02-12T15:36:04+07:00

Penelitian ini bertujuan untuk mengembangkan sistem pengenal nominal uang kertas Rupiah berbasis deep learning menggunakan arsitektur YOLO (You Only Look Once) guna membantu penyandang tunanetra dalam mengenali nilai nominal uang secara mandiri dan real-time. Berbeda dengan metode klasifikasi standar, YOLO memungkinkan deteksi objek sekaligus klasifikasi dalam satu tahapan proses, sehingga lebih responsif untuk penggunaan pada perangkat bergerak. Dataset yang digunakan terdiri dari citra uang kertas Rupiah dengan tujuh kelas nominal, yaitu Rp1.000, Rp2.000, Rp5.000, Rp10.000, Rp20.000, Rp50.000, dan Rp100.000, yang diperoleh melalui pengambilan gambar secara langsung menggunakan kamera. Dataset dibagi ke dalam data pelatihan, validasi, dan pengujian. Model dilatih menggunakan algoritma YOLO dengan optimasi pada bounding box dan prediksi kelas nominal. Hasil pelatihan menunjukkan bahwa implementasi YOLO mampu memberikan tingkat akurasi yang tinggi serta kecepatan pemrosesan (FPS) yang stabil, yang sangat krusial untuk membantu penderita gangguan penglihatan dalam melakukan transaksi sehari-hari secara akurat.

Pencegahan Serangan Siber melalui Deteksi URL Phising Menggunakan Model CNN Berbasis Deep Learning dengan Tingkat Akurasi Optimal

2026-02-12T15:44:43+07:00

Serangan phishing yang memanfaatkan URL berbahaya terus meningkat dan menjadi ancaman serius bagi keamanan data pengguna. Teknik deteksi tradisional seperti blacklist sering kali tidak mampu mengikuti perubahan pola phishing yang semakin dinamis. Berdasarkan kondisi tersebut, penelitian ini dilakukan untuk mengembangkan metode deteksi URL phising berbasis Convolutional Neural Network (CNN) sebagai pendekatan deep learning yang lebih adaptif.Dalam penelitian ini, struktur URL diekstraksi menjadi fitur karakter yang kemudian direpresentasikan dalam bentuk input yang sesuai untuk model CNN. Model dilatih menggunakan dataset yang berisi URL phishing dan URL benign dari sumber publik, kemudian dievaluasi melalui proses validasi dan pengujian menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa CNN mampu mengenali pola-pola URL berbahaya dengan tingkat akurasi tinggi 96.7% presisi 94.8%, dan recall 95.5%. Sistem menggabungkan deep learning dengan logic berbasis aturan heuristic untuk meningkatkan kepercayaan terhadap prediksi. Penggunaan CNN terbukti efektif dalam mendeteksi URL phishing secara otomatis dan memberikan performa yang lebih baik dibandingkan metode tradisional. tanpa memerlukan rekayasa fitur yang rumit.Secara keseluruhan, penggunaan CNN terbukti efektif dalam mendeteksi URL phising secara otomatis dan memberikan performa yang lebih baik dibandingkan metode tradisional. Temuan ini menunjukkan bahwa pendekatan deep learning, khususnya CNN, memiliki potensi besar untuk diterapkan pada sistem keamanan siber modern yang membutuhkan mekanisme deteksi cepat, adaptif, dan akurat.Mengahasilkan dua URL yang Terdiri dari URL LAman dan URL Terkena Phising dengan Akurasi Tinggi Hingga 96.7%

Klasifikasi Tingkat Kematangan Singkong Menggunakan CNN MobileNetV2 Berbasis Citra Daun dan Batang pada Sistem Pertanian Pintar

2026-02-12T15:59:00+07:00

Penentuan tingkat kematangan singkong (Manihot esculenta Crantz) di lapangan secara tradisional masih bergantung pada perkiraan visual dan pengalaman petani. Metode subjektif ini seringkali menyebabkan ketidaktepatan waktu panen, yang berujung pada penurunan kualitas pati dan potensi kerugian. Penelitian ini bertujuan untuk mengimplementasikan sistem klasifikasi otomatis tingkat kematangan singkong (Mentah dan Matang) menggunakan arsitektur Convolutional Neural Network (CNN) MobileNetV2 berdasarkan citra daun dan batang tanaman. Perubahan warna daun menjadi menguning dan perubahan tekstur batang merupakan indikator visual alami yang dijadikan acuan klasifikasi. Dataset yang digunakan terdiri dari 400 citra asli yang telah melalui proses pre-processing dan Augmentasi Data (rotasi, flip horizontal, zoom, dan variasi kecerahan) untuk menghasilkan 800 sampel pelatihan efektif. Augmentasi ini bertujuan memperkaya variasi visual dan mengurangi risiko overfitting. Arsitektur MobileNetV2 dipilih karena sifatnya yang ringan dan efisien, sehingga cocok untuk implementasi pada sistem pertanian pintar (smart farming) berbasis perangkat IoT. Model dilatih selama 40 epoch dengan optimasi menggunakan Adam. Hasil evaluasi model pada data uji menunjukkan akurasi klasifikasi sebesar 80%. Berdasarkan confusion matrix, model menunjukkan performa yang lebih baik dalam mengenali kelas Mentah (Recall 0.87) dibandingkan kelas Matang (Recall 0.73), mengindikasikan bahwa variasi visual pada daun matang lebih kompleks. Secara keseluruhan, model MobileNetV2 terbukti efektif, akurat, dan efisien dalam klasifikasi kematangan singkong, memberikan solusi yang objektif untuk mendukung pengambilan keputusan waktu panen.

Chatbot Berbasis NLP untuk Konseling Kesehatan Mental Awal bagi Mahasiswa Generasi Z di Universitas Nusa Putra Sukabumi

2026-02-13T09:32:47+07:00

Meningkatnya prevalensi masalah kesehatan mental di kalangan mahasiswa Gen-Z, seperti stres akademik, tekanan sosial, dan kelelahan emosional, menyoroti kebutuhan mendesak akan sistem dukungan yang mudah diakses, responsif, dan bebas stigma. Namun, terbatasnya ketersediaan layanan konseling profesional di kampus sering kali menghalangi mahasiswa untuk mencari bantuan secara tepat waktu. Untuk mengatasi tantangan ini, penelitian ini didasarkan pada bidang Pemrosesan Bahasa Alami (Natural Language Processing/NLP) dan Kecerdasan Buatan (Artificial Intelligence/AI), dengan fokus pada pengembangan chatbot empatik sebagai sistem konseling awal berbasis NLP. Chatbot ini dirancang untuk mengenali emosi pengguna melalui pengenalan maksud (intent recognition) dan analisis sentimen, memberikan respons yang kontekstual dan empatik. Pendekatan ini diharapkan dapat menciptakan ruang aman bagi mahasiswa untuk mengekspresikan perasaan mereka dan menerima dukungan awal secara anonim dan cepat. Kontribusi utama dari studi ini terletak pada demonstrasi bagaimana NLP dapat diterapkan pada dukungan kesehatan mental di pendidikan tinggi.

Klasifikasi Pedang Bagus dan Rusak Menggunakan Algoritma Convolutional Neural Network

2026-02-13T09:43:25+07:00

Pemeriksaan kualitas pedang secara manual masih memiliki keterbatasan seperti subjektivitas penilaian dan ketidakkonsistenan hasil. Oleh karena itu, penelitian ini bertujuan mengembangkan sistem klasifikasi kualitas pedang secara otomatis menggunakan pendekatan computer vision berbasis Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 800 citra pedang, yaitu 400 citra pedang bagus dan 400 citra pedang rusak. Metode penelitian menggunakan pendekatan kuantitatif dengan metode eksperimen, di mana model CNN dilatih dan diuji menggunakan data citra digital melalui platform Google Colab. Arsitektur CNN terdiri dari lapisan konvolusi, pooling, dan fully connected. Evaluasi kinerja model dilakukan menggunakan confusion matrix untuk memperoleh nilai akurasi, precision, dan recall. Hasil pengujian menunjukkan bahwa model CNN lebih baik dalam mengenali pedang rusak dibandingkan pedang bagus, dengan akurasi sebesar 60,58%. Meskipun akurasi belum optimal, hasil penelitian menunjukkan bahwa CNN mampu mengenali pola visual dasar pada citra pedang dan berpotensi dikembangkan sebagai sistem klasifikasi kualitas pedang secara otomatis.

Perancangan Sistem Informasi Geografis (Web GIS) untuk Visualisasi Daerah Rawan Banjir Berbasis Data GeoJSON di Pelabuhan Ratu

2026-02-13T09:57:05+07:00

Banjir merupakan bencana rutin di wilayah pesisir Palabuhanratu, Kabupaten Sukabumi, namun penyebaran informasi lokasinya masih terhambat kendala teknis dan waktu. Penelitian ini bertujuan mengembangkan sistem informasi geografis berbasis web (WebGIS) sebagai sarana visualisasi daerah rawan banjir yang partisipatif. Metode penelitian yang digunakan adalah Research and Development (R&D) dengan model pengembangan Waterfall. Data penelitian dikumpulkan melalui teknik Social Media Mining dari platform Facebook, Instagram, dan TikTok, yang kemudian dikonversi menjadi format GeoJSON. Sistem dibangun menggunakan pustaka Leaflet.js dengan OpenStreetMap sebagai peta dasar, serta dipublikasikan melalui platform Netlify. Hasil penelitian menunjukkan bahwa WebGIS yang dihasilkan mampu menyajikan titik koordinat banjir secara akurat, interaktif, dan responsif di berbagai perangkat. Pengujian melalui Black Box Testing mengonfirmasi bahwa seluruh fitur fungsional sistem berjalan dengan baik tanpa error. Website ini diharapkan dapat menjadi instrumen mitigasi bencana non-struktural yang efektif bagi masyarakat dan pihak berwenang dalam memetakan risiko banjir di Palabuhanratu.

Prediksi Minat Pengguna terhadap Teknologi AI Image Generator Menggunakan Artificial Neural Network

2026-02-13T10:20:51+07:00

Penelitian ini bertujuan untuk menganalisis dan memprediksi tingkat minat pengguna terhadap teknologi AI Image Generator dengan menggunakan metode Artificial Neural Network (ANN) berbasis data kuesioner. Data penelitian diperoleh dari 102 responden yang termasuk dalam kelompok digital-native, seperti mahasiswa dan profesional muda, dengan variabel independen yang mengacu pada kerangka Technology Acceptance Model (TAM) dan Unified Theory of Acceptance and Use of Technology (UTAUT), yaitu persepsi kemudahan penggunaan, pengalaman pengguna, pengetahuan teknologi, sikap terhadap teknologi AI, dan pengaruh sosial. Data yang dikumpulkan melalui kuesioner skala Likert 5-point selanjutnya diproses melalui tahap pra-pemrosesan, meliputi pembersihan data, pengkodean, dan normalisasi, sebelum digunakan dalam pelatihan model ANN. Model ANN dirancang dengan arsitektur multilayer perceptron yang terdiri dari tiga hidden layer (64-32-16 neuron) serta mekanisme dropout untuk mencegah overfitting. Hasil penelitian menunjukkan bahwa tingkat minat pengguna terbagi ke dalam tiga kategori, yaitu minat rendah sebesar 36,3%, minat sedang sebesar 30,4%, dan minat tinggi sebesar 33,3%. Model ANN mampu menghasilkan performa prediksi yang baik dan stabil dalam mengklasifikasikan tingkat minat pengguna. Temuan ini menunjukkan bahwa pendekatan berbasis ANN efektif untuk memodelkan hubungan non-linear antar variabel persepsi pengguna terhadap teknologi AI Image Generator. Penelitian ini memberikan kontribusi akademis berupa penerapan model prediktif berbasis ANN dalam konteks teknologi generatif visual, serta kontribusi praktis bagi pengembang platform dalam merumuskan strategi pengembangan dan adopsi teknologi yang lebih terarah dan berbasis data.

Analisis Pengaruh Gamifikasi dan Kenyamanan Aplikasi Duolingo terhadap Efektivitas Pembelajaran Bahasa Menggunakan Metode K-Means Clustering

2026-02-13T10:30:34+07:00

Penelitian ini menyelidiki pengaruh fitur gamifikasi dan kenyamanan pada aplikasi Duolingo terhadap persepsi efektivitas pembelajaran bahasa dengan menggunakan metode K-Means Clustering. Tujuan utama penelitian ini adalah untuk mengelompokkan pengguna berdasarkan persepsi mereka terhadap aspek-aspek tersebut serta dampaknya terhadap hasil pembelajaran bahasa. Data survei melalui tahapan pre-processing yang ketat, meliputi pembersihan kolom, penanganan data hilang, serta pembentukan skor komposit untuk variabel gamifikasi, kenyamanan, usability, dan efektivitas pembelajaran. Uji validitas instrumen menggunakan uji reliabilitas menggunakan Cronbach’s Alpha menunjukkan tingkat validitas dan konsistensi internal yang sangat baik pada seluruh konstruk (nilai Alpha > 0,850). Penerapan metode K-Means Clustering dengan jumlah klaster optimal K=4 yang ditentukan menggunakan Elbow Method menghasilkan empat segmen pengguna yang berbeda, yaitu: Cluster 0 (Pengguna Sangat Puas dan Efektif) sebagai segmen terbesar dengan 38,46% (40 responden) yang menunjukkan skor rata-rata tertinggi pada seluruh dimensi; Cluster 1 (Pengguna Cukup Puas dengan Persepsi Beragam) sebanyak 21,15% (22 responden) dengan nilai sedang pada setiap variabel; Cluster 2 (Pengguna yang Mengapresiasi Gamifikasi dan Usability namun Kurang pada Kenyamanan) sebesar 34,62% (36 responden); serta Cluster 3 (Pengguna Kurang Puas secara Umum) sebagai segmen terkecil dengan 5,77% (6 responden) yang memiliki skor terendah pada seluruh aspek. Nilai Silhouette Score sebesar 0,50 menunjukkan bahwa struktur klaster yang dihasilkan tergolong cukup baik. Hasil penelitian ini mengindikasikan bahwa aplikasi Duolingo secara umum mampu memberikan pengalaman pembelajaran yang positif bagi sebagian besar pengguna, namun masih terdapat peluang untuk meningkatkan aspek kenyamanan bagi segmen pengguna tertentu. Temuan ini diharapkan dapat memberikan wawasan strategis bagi pengembang dalam pengembangan produk dan strategi pemasaran yang lebih terarah.

Penerapan Kecerdasan Artifisial untuk Prediksi Waktu Panen dan Kematangan Buah Jambu Kristal

2026-02-13T10:38:40+07:00

Jambu kristal (Psidium guajava L. cv. Kristal) merupakan varietas unggulan yang banyak dibudidayakan di Indonesia karena memiliki daging buah tebal, renyah, berbiji sedikit, dan rasa manis. Kualitas dan nilai jual jambu kristal sangat bergantung pada ketepatan waktu panen, namun sebagian besar petani masih menentukannya secara subjektif berdasarkan pengalaman, sehingga sering terjadi ketidakkonsistenan mutu dan peningkatan kehilangan hasil pascapanen. Seiring berkembangnya teknologi digital, penerapan kecerdasan artifisial (AI), khususnya deep learning berbasis computer vision, menawarkan solusi objektif dalam menganalisis citra buah untuk menentukan tingkat kematangan secara otomatis dan akurat. Penelitian ini menggunakan pendekatan eksplanatif-edukatif yang bertujuan memberikan pemahaman konseptual dan panduan prosedural penerapan deep learning dalam prediksi kematangan dan penentuan waktu panen jambu kristal. Data yang digunakan bersifat sekunder dari literatur ilmiah dan sumber terbuka terkait analisis citra buah. Tahapan penelitian mencakup perancangan sistem, pengumpulan dan pra-pemrosesan citra, edukasi pelatihan model Convolutional Neural Network (CNN), serta simulasi penerapan hasil prediksi. Hasil kajian ini diharapkan menjadi referensi edukatif bagi peneliti dan petani dalam memahami penerapan teknologi IA di bidang hortikultura, sekaligus menjadi dasar bagi penelitian terapan berikutnya dalam pengembangan sistem prediksi kematangan buah berbasis deep learning.

Klasifikasi Berita Hoaks Menggunakan Metode Random Forest Berbasis TF-IDF

2026-02-13T10:47:03+07:00

Perkembangan teknologi informasi menyebabkan penyebaran berita melalui media digital meningkat pesat. Namun, kondisi ini juga memicu maraknya penyebaran berita hoaks yang dapat menyesatkan masyarakat. Oleh karena itu, diperlukan metode otomatis untuk mengklasifikasikan berita hoaks dan berita valid. Penelitian ini bertujuan untuk menerapkan metode machine learning Random Forest dalam mengklasifikasikan berita berbahasa Indonesia menjadi kategori hoaks dan valid. Dataset yang digunakan berjumlah 1000 data berita yang telah diberi label. Tahapan penelitian meliputi preprocessing teks menggunakan stopword removal dan stemming Sastrawi, ekstraksi fitur menggunakan TF-IDF, serta pelatihan model Random Forest. Hasil pengujian menunjukkan bahwa model Random Forest mampu mencapai tingkat akurasi sebesar 86,00%, dengan nilai precision 85,56%, recall 83,70%, dan F1-score 84,62%. Hasil tersebut menunjukkan bahwa metode Random Forest memiliki kinerja yang baik dan cukup efektif dalam mendeteksi berita hoaks.

Penerapan Convolutional Neural Network (CNN) untuk Klasifikasi Kualitas Buah Melon Honey - Dew Berdasarkan Citra Digital

2026-02-13T11:13:52+07:00

Buah Melon Honey Dew merupakan salah satu komoditas hortikultura unggulan di Indonesia dengan nilai ekonomi tinggi. Namun, penilaian kualitas buah yang selama ini dilakukan secara visual dan manual memiliki keterbatasan, seperti subjektivitas yang tinggi, memakan waktu lama, serta sulit diterapkan secara konsisten dalam skala besar. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kualitas buah melon Honey Dew secara otomatis dengan memanfaatkan teknologi pengolahan citra digital berbasis Convolutional Neural Network (CNN). Metode CNN dipilih karena kemampuannya yang sangat akurat dalam mengekstraksi fitur visual seperti pola warna dan tekstur langsung dari data gambar. Penelitian ini menggunakan dataset citra melon lokal yang dikategorikan ke dalam tiga kelas kualitas, yaitu Baik, Sedang, dan Buruk. Model yang dikembangkan menggunakan arsitektur VGG-16 dengan parameter input berupa citra berukuran 64x64 piksel, learning rate 0.001, dan dilatih selama 20 epoch. Proses pengembangan sistem juga menerapkan metodologi Extreme Programming (XP) untuk memastikan kualitas kode program. Hasil pengujian menunjukkan bahwa model CNN mampu mencapai tingkat akurasi yang sangat tinggi, yaitu sekitar 97% pada data uji. Capaian ini membuktikan bahwa pendekatan deep learning sangat efektif dalam mengatasi masalah subjektivitas penilaian manusia. Sistem ini memiliki potensi besar untuk dikembangkan menjadi aplikasi penilaian mutu buah digital yang dapat meningkatkan standar kualitas serta daya saing produk melon lokal di pasar domestik maupun internasional.

Penerapan Sistem Deteksi Kendaraan Berbasis Artificial Intelligence (AI) untuk Mendukung Smart Traffic di Kota Sukabumi

2026-02-13T11:27:00+07:00

Kemacetan lalu lintas masih menjadi permasalahan utama di wilayah perkotaan, termasuk Kota Sukabumi, yang berdampak pada efisiensi mobilitas dan kenyamanan masyarakat. Sistem pemantauan konvensional berbasis Closed-Circuit Television (CCTV) umumnya masih bersifat pasif dan memerlukan analisis manual, sehingga kurang mampu memberikan informasi lalu lintas secara cepat dan kuantitatif. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem deteksi kendaraan berbasis Artificial Intelligence (AI) menggunakan algoritma You Only Look Once (YOLO) sebagai pendukung Smart Traffic Management System (STMS). Penelitian ini menggunakan pendekatan kuantitatif eksperimental dengan data utama berupa video lalu lintas yang diperoleh dari sumber publik (CCTV YouTube). Video diproses menjadi frame citra untuk pelatihan dan pengujian model. Model YOLO dilatih untuk mendeteksi beberapa kelas kendaraan, yaitu mobil, sepeda motor, dan truk. Evaluasi performa dilakukan menggunakan metrik Precision, Recall, mean Average Precision pada IoU 0.5 (mAP50), serta mAP50–95. Hasil pengujian menunjukkan bahwa model mampu mendeteksi kendaraan secara konsisten pada berbagai kondisi lalu lintas dengan nilai precision sebesar 0,89, recall sebesar 0,93, mAP50 sebesar 0,95, dan mAP50–95 sebesar 0,88. Selain menghasilkan visualisasi deteksi kendaraan dalam bentuk bounding box pada video, sistem juga menghasilkan data numerik berupa jumlah kendaraan dan tingkat kepadatan lalu lintas dalam bentuk persentase dan file CSV. Hasil ini menunjukkan bahwa sistem yang dikembangkan efektif sebagai alat pemantauan lalu lintas berbasis data dan berpotensi mendukung pengambilan keputusan pada sistem manajemen lalu lintas cerdas.

Klasifikasi Ujaran Kebencian pada Media Sosial Instagram Menggunakan Pendekatan Transfer Learning dengan Fine-Tuning IndoBERT

2026-02-13T11:35:38+07:00

Media sosial Instagram telah berkembang menjadi salah satu platform interaksi digital terbesar di Indonesia. Namun, kebebasan berinteraksi ini sering disalahgunakan untuk menyebarkan ujaran kebencian yang dapat memicu konflik sosial dan dampak psikologis negatif. Tantangan utama dalam mendeteksi ujaran kebencian secara otomatis adalah kompleksitas bahasa Indonesia yang tidak baku, penggunaan singkatan, serta konteks kalimat yang ambigu. Penelitian ini mengusulkan pendekatan Transfer Learning menggunakan model bahasa pre-trained IndoBERT (Indonesian Bidirectional Encoder Representations from Transformers) yang di-fine-tune untuk mengklasifikasikan komentar Instagram ke dalam dua kelas: ujaran kebencian dan bukan ujaran kebencian. Dataset yang digunakan terdiri dari 14.306 data. Proses evaluasi model dilakukan menggunakan Confusion Matrix dan kurva ROC-AUC (Receiver Operating Characteristic - Area Under the Curve). Hasil penelitian menunjukkan bahwa model IndoBERT mampu mengenali pola bahasa kompleks dengan performa yang baik, mencapai Akurasi sebesar 90% dan F1-Score sebesar 90%. Selain itu, nilai AUC sebesar 0.9504 menunjukkan kemampuan model yang sangat baik dalam memisahkan kelas ujaran kebencian atau bukan. Penelitian ini membuktikan bahwa teknik fine-tuning pada model transformer berbahasa Indonesia efektif untuk memitigasi penyebaran komentar toksik di platform Instagram.

Analisis Efektivitas Waktu Pembelajaran Pagi Hari terhadap Pencapaian Hasil Belajar Mahasiswa TI 23 Universitas Nusa Putra

2026-02-13T11:51:00+07:00

Efektivitas waktu pembelajaran merupakan salah satu faktor yang berpengaruh terhadap keberhasilan proses belajar mahasiswa. Penelitian ini bertujuan untuk menganalisis efektivitas pembelajaran pagi hari terhadap pencapaian hasil belajar mahasiswa Program Studi Teknik Informatika Universitas Nusa Putra angkatan 2023. Metode penelitian yang digunakan adalah metode kuantitatif dengan pendekatan survei. Data dikumpulkan melalui penyebaran kuesioner menggunakan skala Likert kepada mahasiswa sebagai responden. Sampel penelitian ditentukan menggunakan rumus Slovin. Data yang diperoleh dianalisis menggunakan statistik deskriptif untuk mengetahui gambaran efektivitas pembelajaran dan hasil belajar mahasiswa. Hasil penelitian menunjukkan bahwa efektivitas pembelajaran pagi hari dan hasil belajar mahasiswa berada pada kategori baik. Temuan ini diharapkan dapat menjadi bahan pertimbangan bagi institusi pendidikan dalam mengelola jadwal perkuliahan secara lebih optimal.

Mengatasi Ineafisiensi Penjadwalan Tugas: Algoritma Genetika untuk Peningkatan Manajemen Waktu Mahasiswa yang Optimal

2026-02-13T12:00:41+07:00

Manajemen waktu akademik merupakan tantangan krusial bagi mahasiswa teknik informatika yang menghadapi beban tugas multitasking dengan variasi domain kognitif yang kompleks. Penjadwalan manual sering kali mengabaikan prioritas deadline dan dampak kelelahan akibat pergantian fokus (switching cost), yang berujung pada penurunan produktivitas. Penelitian ini mengusulkan sistem optimasi penjadwalan tugas menggunakan Algoritma Genetika (AG) dengan fungsi tujuan multi-objective yang meminimalkan total keterlambatan dan biaya peralihan kognitif. Model dikembangkan menggunakan parameter bobot seimbang dan diuji menggunakan dataset riil dari 31 responden dengan dominasi tugas Logika dan Pemrograman sebesar 60.2%. Hasil eksperimen menunjukkan bahwa algoritma mampu mencapai konvergensi solusi optimal pada generasi ke-25. Pada studi kasus validasi, sistem berhasil menurunkan nilai kerugian total dari 6.8 menjadi 4.5, atau setara dengan peningkatan efisiensi sebesar 33.8%. Penelitian ini membuktikan bahwa pendekatan komputasi evolusioner efektif dalam menghasilkan jadwal yang tepat waktu serta meminimalkan beban mental mahasiswa.

Analisis Sentimen pada Ulasan E-Commerce Menggunakan Strategi Adaptasi Pre-Trained Model Indo-ELECTRA

2026-02-13T13:48:34+07:00

Sektor e-commerce di Indonesia telah bertransformasi menjadi pilar utama dalam ekosistem ekonomi digital saat ini. Namun, besarnya volume ulasan pelanggan seringkali menjadi kendala bagi pelaku bisnis untuk mengekstraksi informasi kepuasan pelanggan secara manual. Tantangan signifikan dalam pemrosesan data ulasan adalah penggunaan bahasa yang tidak terstruktur, adanya kata-kata singkatan, serta ketidakseimbangan distribusi kelas sentimen yang ekstrem. Penelitian ini mengajukan strategi adaptasi Transfer Learning memanfaatkan model bahasa pre-trained Indo-ELECTRA yang di-fine-tune khusus untuk mengategorikan ulasan Tokopedia ke dalam tiga kategori: sentimen positif, netral, dan negatif. Dataset yang diuji mencakup 65,544 entri data. Tahapan evaluasi kinerja model diukur menggunakan instrumen Confusion Matrix dan kurva ROC-AUC. Hasil eksperimen memperlihatkan bahwa arsitektur Indo-ELECTRA memiliki ketajaman dalam menangkap konteks ulasan dengan capaian Akurasi sebesar 97,83% dan F1-Score macro sebesar 0,58. Di samping itu, perolehan nilai AUC sebesar 0,96 menegaskan reliabilitas model dalam mengidentifikasi perbedaan antar kelas sentimen. Riset ini mengonfirmasi bahwa optimalisasi model transformer melalui teknik fine-tuning sangat kompeten dalam mendukung sistem pemantauan reputasi layanan di industri e-commerce.

Prediksi Volume Sampah Kota Sukabumi Tahun 2025–2027 Menggunakan Metode Regresi Linear Berdasarkan Data Historis

2026-02-13T14:03:47+07:00

Permasalahan pengelolaan sampah perkotaan merupakan isu lingkungan yang semakin kompleks seiring dengan meningkatnya pertumbuhan penduduk, urbanisasi, serta intensitas aktivitas sosial dan ekonomi masyarakat. Peningkatan jumlah penduduk dan pola konsumsi yang terus berkembang berdampak langsung terhadap bertambahnya volume sampah yang dihasilkan setiap tahun. Kota Sukabumi sebagai salah satu kota berkembang di Provinsi Jawa Barat juga menghadapi permasalahan serupa, di mana volume sampah yang dihasilkan menunjukkan kecenderungan meningkat dari tahun ke tahun. Kondisi ini menuntut adanya perencanaan dan kebijakan pengelolaan sampah yang berbasis data dan prediksi yang akurat. Penelitian ini bertujuan untuk melakukan prediksi volume sampah Kota Sukabumi pada periode tahun 2025–2027 dengan memanfaatkan data historis volume sampah dari tahun-tahun sebelumnya. Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) Kota Sukabumi. Metode yang digunakan dalam penelitian ini adalah regresi linear, yang merupakan salah satu metode prediksi kuantitatif yang sederhana namun efektif dalam memodelkan hubungan linier antara variabel bebas dan variabel terikat. Dalam penelitian ini, variabel waktu (tahun) digunakan sebagai variabel bebas, sedangkan volume sampah total digunakan sebagai variabel terikat.Proses pengolahan data, pemodelan regresi, serta evaluasi hasil prediksi dilakukan dengan bantuan perangkat lunak RapidMiner. RapidMiner digunakan karena memiliki antarmuka yang mudah digunakan serta menyediakan berbagai operator yang mendukung proses analisis data, mulai dari pengolahan data awal hingga pemodelan dan evaluasi hasil prediksi. Penggunaan RapidMiner memungkinkan proses analisis dilakukan secara sistematis, efisien, dan terstruktur.Hasil penelitian menunjukkan bahwa model regresi linear mampu menggambarkan tren peningkatan volume sampah Kota Sukabumi secara bertahap setiap tahunnya. Model yang dihasilkan menunjukkan adanya hubungan positif antara waktu dan volume sampah, yang mengindikasikan bahwa tanpa adanya perubahan signifikan dalam pola konsumsi dan sistem pengelolaan sampah, volume sampah diperkirakan akan terus meningkat pada periode prediksi. Hasil prediksi ini diharapkan dapat menjadi bahan pertimbangan bagi pemerintah daerah dan pemangku kepentingan terkait dalam merumuskan kebijakan, strategi, serta perencanaan pengelolaan sampah yang lebih berkelanjutan dan berbasis data di Kota Sukabumi.