MALCOM: Indonesian Journal of Machine Learning and Computer Science

Optimasi Seleksi Fitur Menggunakan Algoritma Hybrid ARO-DBSCAN untuk Meningkatkan Akurasi Model Klasifikasi K-Nearest Neighbor

2025-06-24T02:49:49+00:00

Penelitian ini mengusulkan metode ARO-DBSCAN, sebuah pendekatan hybrid yang menggabungkan algoritma optimasi Artificial Rabbits Optimization (ARO) dengan teknik clustering Density-Based Spatial Clustering of Applications with Noise (DBSCAN) untuk pemilihan fitur yang lebih efektif. Hasil eksperimen menunjukkan bahwa ARO-DBSCAN secara konsisten mengungguli metode ARO dan AROD, dengan peningkatan akurasi klasifikasi pada 13 dari 18 dataset (populasi 15) dan 12 dataset (populasi 30), sekaligus mampu memilih fitur lebih sedikit tanpa mengurangi kualitas model. Dibandingkan dengan algoritma hybrid lain seperti GA-DBSCAN dan PSO-DBSCAN, ARO-DBSCAN tetap lebih unggul berkat kemampuan clustering DBSCAN yang mengelompokkan solusi serupa, sehingga mempercepat pencarian solusi optimal dan menghindari terjebak di solusi lokal. Temuan ini membuktikan bahwa integrasi teknik metaheuristik dengan clustering berbasis kepadatan dapat menjadi solusi efisien untuk pemilihan fitur pada data berdimensi tinggi di era big data.

Transformasi Digital Manajemen Stok UMKM Melalui Implementasi Sistem E-Inventory Mobile Real-Time

2025-10-18T12:26:57+00:00

Pengelolaan stok barang merupakan aspek penting dalam menjaga keberlangsungan Usaha Mikro, Kecil, dan Menengah (UMKM). Namun, banyak UMKM masih bergantung pada pencatatan konvensional yang rentan terhadap kesalahan dan keterlambatan, sehingga menurunkan efisiensi serta akurasi data. Penelitian ini bertujuan untuk menerapkan sistem e-inventory berbasis mobile real-time sebagai upaya digitalisasi proses manajemen stok pada UMKM. Penelitian ini menggunakan pendekatan pengembangan yang melibatkan tahap analisis, perancangan, implementasi, dan pengujian. Hasil pengujian fungsional menggunakan Black Box Testing menunjukkan bahwa seluruh fitur inti, mulai dari manajemen data, transaksi, hingga laporan statistik, berjalan valid dan sesuai spesifikasi. Selanjutnya, pengujian User Acceptance Test (UAT) oleh pengguna akhir (Pemilik UMKM) menghasilkan tingkat penerimaan 97,5% (skor rata-rata 4,88), yang mengonfirmasi sistem sangat mudah digunakan dan memenuhi kebutuhan operasional. Implementasi sistem e-inventory ini memperkuat transformasi digital pada sektor UMKM, meningkatkan efektivitas operasional, serta mendukung pengambilan keputusan yang lebih baik melalui data yang terstruktur dan real-time.

Comparison and Data Visualization in Thyroid Cancer Disease Prediction Using Machine Learning Algorithms

2025-08-12T10:43:05+00:00

Thyroid cancer is a common endocrine malignancy requiring accurate early prediction for improved patient outcomes. Comprehensive comparative studies of machine learning algorithms, accompanied by systematic visualization, remain limited. This study compares tree-based algorithms (Decision Trees, Random Forest) and boosting algorithms (Gradient Boosting, XGBoost) for thyroid cancer prediction and develops visualization strategies for clinical interpretation. Four algorithms were evaluated using accuracy (correct prediction proportion), precision (positive predictive value), recall (true positive rate), F1-score (harmonic mean of precision and recall), and AUC-ROC (area under the ROC curve). Visualization techniques, including confusion matrices, ROC curves, and feature importance plots, facilitated the interpretation of the model. XGBoost achieved superior performance with accuracy 95.2%, precision 94.8%, recall 95.6%, F1-score 95.2%, and AUC-ROC 0.978, followed by Random Forest (93.5%, 92.7%, 94.1%, 93.4%, 0.965), Gradient Boosting (91.8%, 90.9%, 92.4%, 91.6%, 0.952), and Decision Trees (87.3%, 86.5%, 88.2%, 87.3%, 0.913). Feature importance analysis identified key predictors. Boosting algorithms, particularly XGBoost, demonstrate superior thyroid cancer prediction across all metrics. Integrated visualization enhances clinical interpretability, providing empirical guidance for implementing machine learning-based diagnostic support systems.

Analisis Clustering Menggunakan Metode K-Means untuk Mengidentifikasi Pola Kepuasan Alumni

2025-12-03T05:03:50+00:00

Tracer study berperan penting dalam mengevaluasi kualitas layanan pendidikan berdasarkan pengalaman alumni. Analisis kepuasan alumni terhadap fasilitas pembelajaran umumnya masih terbatas pada statistik deskriptif, sehingga belum mampu mengungkap pola kepuasan secara tersegmentasi pada data berskala besar. Penelitian ini bertujuan untuk mengidentifikasi pola segmentasi kepuasan alumni terhadap fasilitas pembelajaran di Universitas Islam Negeri Sultan Syarif Kasim Riau (UIN Suska Riau) sebagai indikator penting dalam evaluasi kualitas layanan pendidikan. Metode yang digunakan adalah K-Means Clustering, diimplementasikan melalui tahapan Knowledge Discovery in Database (KDD) pada 6.508 data tracer study alumni S1 lulusan 2010–2023. Proses preprocessing mencakup normalisasi data numerik menggunakan Min-Max Scaling untuk menyamakan skala enam indikator kepuasan (Perpustakaan, Teknologi Informasi, Modul Belajar, Ruang Belajar, Laboratorium, dan Variasi Mata Kuliah), sehingga meminimalkan bias dalam perhitungan jarak Euclidean. Berdasarkan Elbow Method, diperoleh jumlah klaster optimal adalah K=3, dan kualitas pengelompokan divalidasi dengan nilai Davies-Bouldin Index (DBI) sebesar 0,874, mengonfirmasi stabilitas klaster yang terbentuk. Analisis menghasilkan tiga klaster berbeda: Klaster 0 (Tingkat Kepuasan Tinggi) yang dominan, Klaster 1 (Tingkat Kepuasan Rendah), dan Klaster 2 (Tingkat Kepuasan Sangat Tinggi). Hasil ini memberikan segmentasi kepuasan yang eksplisit sebagai dasar bagi universitas untuk merumuskan strategi peningkatan fasilitas secara terarah dan berkelanjutan.

Implementasi Metode Simple Multi-Attribute Rating Technique untuk Penerimaan Bantuan Desa

2025-10-28T22:36:07+00:00

Penentuan penerima bantuan desa yang objektif dan transparan merupakan tantangan utama dalam tata kelola pemerintahan desa, termasuk di Desa Rangai Tri Tunggal. Proses seleksi yang masih bersifat subjektif berpotensi menimbulkan ketidakadilan dan menurunkan kepercayaan masyarakat terhadap kebijakan pemerintah desa. Penelitian ini bertujuan untuk mengimplementasikan Metode Simple Multi-Attribute Rating Technique (SMART) sebagai pendekatan sistematis dalam menentukan prioritas penerima bantuan desa berdasarkan kriteria sosial-ekonomi yang relevan. Pentingnya penelitian ini terletak pada upaya meningkatkan akuntabilitas, efisiensi, dan keadilan dalam distribusi bantuan, sekaligus mendukung prinsip good governance di tingkat desa. Urgensi penelitian muncul dari kebutuhan nyata akan sistem pengambilan keputusan yang terukur dan dapat dipertanggungjawabkan, mengingat keterbatasan anggaran dan kompleksitas kondisi penerima manfaat. Hasil penelitian menunjukkan bahwa penerapan metode SMART mampu menghasilkan peringkat prioritas calon penerima bantuan yang konsisten dengan kondisi faktual di lapangan, serta meminimalkan bias subjektif. Simpulan penelitian ini menegaskan bahwa metode SMART merupakan solusi efektif untuk mendukung pengambilan keputusan partisipatif dan berbasis data dalam konteks penerimaan bantuan desa, sehingga layak direplikasi di desa-desa lain dengan karakteristik serupa.

Implementasi Large Language Models dalam Rancang Bangun Aplikasi Computer-Assisted Test Mobile Berbasis Android

2025-12-03T04:57:26+00:00

Perkembangan teknologi digital telah mendorong penerapan Computer Assisted Test (CAT) sebagai sarana evaluasi pembelajaran yang mampu meningkatkan efisiensi dan ketepatan pelaksanaan ujian. Meskipun demikian, sebagian besar sistem CAT yang ada masih berbasis web, sehingga fleksibilitas penggunaan pada perangkat mobile belum optimal dan proses penyusunan soal ujian masih memerlukan waktu yang relatif lama. Penelitian ini bertujuan untuk merancang dan mengembangkan aplikasi CAT berbasis mobile Android yang terintegrasi dengan Large Language Models (LLM) guna mendukung pembuatan soal ujian secara otomatis. Proses pengembangan sistem dilakukan dengan menggunakan metode Rapid Application Development (RAD) agar tahapan analisis, perancangan, dan implementasi dapat dilakukan secara lebih cepat dan adaptif. Hasil pengujian menunjukkan bahwa aplikasi yang dikembangkan berfungsi dengan baik dan memperoleh tingkat penerimaan pengguna sebesar 89% berdasarkan hasil User Acceptance Test (UAT). Integrasi LLM dalam aplikasi CAT mobile mampu meningkatkan efisiensi dalam pembuatan soal serta mendukung pelaksanaan ujian digital yang lebih fleksibel dan efektif.

Development of Augmented Reality-Based Anatomy Learning Media (ARANOMI) for Vocational Health Students

2025-11-22T01:01:58+00:00

This study aims to develop and implement the Augmented Reality Anatomy and Physiology (ARANOMI) application as an innovative learning medium in nursing education, specifically for understanding anatomy and physiology and promoting the practice of clean and healthy living (PHBS). The application is designed as a mobile-based platform supported by WebAR and contains content such as 3D organ models, explanations of physiological functions, and integrated PHBS education. The research employed a Research and Development (R&D) approach, consisting of stages of design, development, and implementation. The implementation results among nursing students showed a positive impact on their understanding and learning motivation. Based on the evaluation, 87% of students reported that learning became more engaging, while 82% stated they felt more motivated to study anatomy and physiology. In addition, most students actively participated in group discussions and independent exploration through the application. Student enthusiasm indicates that ARANOMI provides a more realistic, interactive, and contextual learning experience. However, several technical challenges were identified, including long loading times for 3D models on low-specification devices and dependence on a stable internet connection. This study concludes that the ARANOMI application effectively supports the anatomy and physiology learning process using augmented reality technology, enhances student engagement.

Pembangunan Model Klasifikasi untuk Menilai Lokasi Strategis Usaha Laundry Berdasarkan Analisis Geospasial dan Data Open-Source

2025-12-05T15:15:17+00:00

Industri jasa cuci pakaian di Indonesia terus mengalami pertumbuhan pesat seiring perubahan gaya hidup masyarakat urban yang semakin praktis. Namun, banyak pelaku usaha mengalami kegagalan akibat pemilihan lokasi yang kurang tepat, sehingga diperlukan pendekatan berbasis data untuk mengevaluasi kelayakan lokasi usaha secara objektif. Penelitian ini bertujuan untuk mengembangkan model klasifikasi berbasis analisis geospasial dan data open-source guna menilai apakah lokasi usaha laundry eksisting di Surabaya tergolong strategis atau tidak strategis. Data penelitian dikumpulkan dari Google Maps API, OpenStreetMap (OSM), dan Badan Pusat Statistik (BPS), yang mencakup indikator spasial, demografis, dan ekonomi. Proses analisis meliputi pembersihan data, rekayasa fitur, penyeimbangan data dengan SMOTE, serta penerapan lima algoritma klasifikasi Logistic Regression, Decision Tree, Naive Bayes, k-Nearest Neighbor, dan Random Forest dengan evaluasi menggunakan metrik Accuracy, Precision, Recall, F1-score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan akurasi 90,1% dan ROC-AUC 0,957. Faktor kepadatan penduduk, kedekatan dengan permukiman, dan jumlah kompetitor terbukti paling berpengaruh terhadap tingkat strategis lokasi. Penelitian ini berkontribusi dalam menyediakan kerangka evaluasi berbasis data dan geospasial yang dapat digunakan sebagai dasar pengambilan keputusan bisnis yang lebih objektif, terukur, dan adaptif terhadap dinamika perkotaan.

Peningkatan Efektivitas dan Keamanan Sistem Profil Program Studi Menggunakan Metode Vulnerability Assessment

2025-09-26T01:53:39+00:00

Program Studi D3 Manajemen Informatika PSDKU Pelalawan sebelumnya menggunakan sistem profil berbasis PHP native yang memiliki keterbatasan dalam efektivitas pengelolaan data dan keamanan sistem. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem profil program studi berbasis web menggunakan framework Laravel guna meningkatkan efektivitas dan keamanan pengelolaan data. Penelitian dilakukan dengan menggunakan metode Vulnerability Assessment yang terdiri dari tiga tahapan, yaitu network discovering, vulnerability scanning, dan vulnerability analys. Hasil dari pengujian dengan tool OWASP didapatkan beberapa celah kerentanan yang termasuk kedalam golongan resiko rendah. Metode pengembangan sistem yang digunakan adalah model Waterfall yang meliputi analisis kebutuhan, perancangan sistem, implementasi, dan pengujian. Fitur utama yang dikembangkan meliputi manajemen data dosen, mahasiswa, kurikulum, kegiatan akademik, laporan otomatis, serta publikasi informasi. Dengan adanya sistem baru, efektivitas terlihat dari meningkatnya akurasi dan kecepatan akses data, efisiensi terlihat dari berkurangnya pekerjaan manual dan percepatan pembuatan laporan, keamanan meningkat melalui fitur proteksi otomatis Laravel, dan transparansi meningkat melalui penyajian informasi real-time dan mekanisme kontrol akses yang terstruktur.

Performance of K-Nearest Neighbors and Advanced Metaheuristic Algorithms for Feature Selection in Classifying the Purity of Civet Coffee

2025-10-28T14:23:33+00:00

Various studies have shown that feature selection can improve classification accuracy, particularly in agriculture. However, most of these studies still use conventional metaheuristic algorithms, which have certain limitations, including a tendency to get stuck in local optima. Therefore, this study explores the potential of advanced metaheuristic algorithms for selecting colour and texture features to classify the purity of civet coffee. This study used k-Nearest Neighbour (K-NN) model optimized with several advanced metaheuristic algorithms, i.e. Bare Bones Particle Swarm Optimisation (BBPSO), Modified Generalised Flower Pollination Algorithm (MGFPA), Enhanced Salp Swarm Algorithm (ESSA), Improved Salp Swarm Algorithm (ISSA), and Two-Stage Modified Grey Wolf Optimizer (TMGWO). The results show that feature selection can improve model accuracy. The best model was obtained from a combination of K-NN and TMGWO with an accuracy of 0.981, precision of 0.982, recall of 0.981, F1-Score of 0.981, and Area Under Curve (AUC) close to 1 with three selected features, i.e. blue correlation, s_hsl_correlation, and s_hsv_correlation. Furthermore, the results of this study indicate that the development of advanced metaheuristic algorithms can overcome the weaknesses of conventional algorithms, as demonstrated by improvements in classification model accuracy and the number of selected features.

Implementasi Algoritma XGBoost Classifier untuk Klasifikasi Kerumunan Jemaah Haji dan Umrah

2025-08-11T05:45:46+00:00

Efektivitas manajemen kerumunan menjadi aspek penting dalam pelaksanaan ibadah haji dan umrah, mengingat mobilitas jemaah yang sangat tinggi pada waktu dan lokasi tertentu. Kepadatan yang tidak terkendali berpotensi menimbulkan risiko keselamatan dan mengganggu kelancaran ibadah. Penelitian ini mengusulkan pendekatan klasifikasi tingkat kepadatan kerumunan (crowd density) dengan memanfaatkan data operasional yang merepresentasikan dinamika pergerakan, perilaku individu, dan kondisi lingkungan. Dataset yang digunakan terdiri dari 10.000 entri dengan 29 fitur. Algoritma Extreme Gradient Boosting (XGBoost) dipilih karena kemampuannya mengolah data kompleks dan heterogen. Hasil pengujian menunjukkan akurasi 98.7%, precision 99%, recall 99%, dan f1-score 99% untuk kategori rendah, sedang, dan tinggi, baik pada macro maupun weighted average. Temuan ini menunjukkan bahwa model yang dikembangkan memiliki tingkat akurasi dan keandalan yang tinggi dalam memprediksi kepadatan kerumunan.

Kajian Analisis Variasi Jumlah Epoch Terhadap Persentase Kesesuaian Peta Batas Kampung dan Rupa Bumi Indonesia dengan Data Kartometrik Menggunakan Metode Deep Learning

2025-04-16T02:03:22+00:00

Kepastian batas wilayah merupakan aspek fundamental dalam mendukung kewenangan daerah dan perencanaan pembangunan. Namun, inkonsistensi data batas di Kecamatan Rumbia, khususnya antara metode kartometrik, data Peta Batas Wilayah dari Badan Informasi Geospasial (PPBW BIG), dan Rupa Bumi Indonesia (RBI), sering menghambat pengelolaan sumber daya. Penelitian ini bertujuan menganalisis pengaruh variasi jumlah epoch pada model Deep Learning terhadap akurasi deteksi kesesuaian batas kampung. Metode penelitian mengintegrasikan Sistem Informasi Geografis (SIG) dan Convolutional Neural Network (CNN) dengan arsitektur tiga lapisan konvolusi. Data latih mencakup integrasi data kartometrik, PPBW BIG, RBI, dan Citra Tegak Satelit Resolusi Tinggi (CTSRT). Pengujian dilakukan dengan variasi epoch 100 hingga 500 menggunakan optimasi Stochastic Gradient Descent (SGD). Hasil menunjukkan bahwa peningkatan epoch berbanding lurus dengan performa model, di mana akurasi validasi mencapai 100% pada epoch 500 dengan tingkat kesesuaian data sebesar 98% berdasarkan Intersection over Union (IoU). Temuan ini menegaskan efektivitas CNN dalam analisis spasial presisi guna mendukung percepatan Kebijakan Satu Peta dan meminimalkan konflik batas wilayah.

Pengembangan Sistem Manajemen Keanggotaan dan Pelatihan Gym Berbasis Web Menggunakan Metode Traditional Analysis dan Prototype

2025-11-07T13:37:01+00:00

Proses manajemen keanggotaan dan pelatihan pada banyak gym masih dilakukan secara manual, sehingga menimbulkan masalah seperti kesalahan pencatatan, ketidaktepatan jadwal, dan keterbatasan dalam pemantauan aktivitas anggota. Kondisi ini berdampak pada rendahnya akurasi data dan menurunnya efisiensi operasional. Penelitian ini bertujuan merancang dan mengembangkan sistem manajemen keanggotaan dan pelatihan gym berbasis web untuk menurunkan kesalahan administrasi minimal 50%, mempercepat proses pendaftaran anggota hingga 40%, serta meningkatkan ketepatan jadwal pelatihan hingga akurasi 95%. Pengembangan sistem dilakukan menggunakan metode Prototype, melalui proses pembuatan desain awal, evaluasi bersama pengguna, serta siklus penyempurnaan berulang hingga sistem memenuhi kebutuhan operasional. Evaluasi sistem dilakukan melalui pengujian User Acceptance Testing (UAT) untuk menilai tingkat penerimaan pengguna terhadap fungsionalitas, kemudahan penggunaan, akurasi proses, dan kesesuaian sistem dengan kebutuhan gym. Hasil pengujian UAT menunjukkan bahwa seluruh fitur utama pendaftaran anggota, pengaturan jadwal pelatihan, pencatatan kehadiran, serta pelaporan aktivitas memenuhi kriteria yang diharapkan pengguna dengan tingkat kepuasan berada pada kategori “sangat baik”. Penelitian ini berkontribusi pada pengembangan solusi digital yang adaptif untuk manajemen gym, khususnya dalam integrasi layanan keanggotaan dan pelatihan berbasis web. Secara keseluruhan, sistem yang dihasilkan dapat menjadi fondasi bagi transformasi digital layanan kebugaran yang lebih modern, terukur, dan terintegrasi.

Exploring the Evolution of Electric Vehicle Charging Infrastructure: A Bibliometric Perspective on Public Electric Vehicle Charging Station Location Planning

2025-11-22T00:54:43+00:00

The rapid expansion of electric vehicles (EVs) is a crucial factor in achieving low-carbon mobility and promoting sustainable regional development. The attainment of this objective depends on technological advancement, institutional readiness, spatial equity, and governance capabilities. The establishment of Stasiun Pengisian Kendaraan Listrik Umum (SPKLU) in Indonesia must be understood within a framework that connects infrastructure planning to social, economic, and political factors. This research analyzes the evolution of international scientific dialogue regarding EV charging infrastructure through a bibliometric lens, focusing on publications from 2010 to 2025. This study utilizes Scopus data and analytical tools, including VOSviewer and Publish or Perish, to identify leading authors, key journals, and emerging subject trends. The results suggest that future SPKLU planning in Indonesia requires an integrated framework that aligns technological precision with public governance principles. This approach should account for decentralization dynamics, regional disparities, and institutional capacity, ensuring that improvements to EV infrastructure contribute to carbon-reduction goals while fostering equitable and sustainable regional development.

Analisis Komparasi Algoritma Machine Learning untuk Prediksi Harga Sewa Properti Komersial

2025-12-05T14:26:36+00:00

Penentuan harga sewa properti komersial (ruko) di Kota Tangerang Selatan seringkali menghadapi kendala inefisiensi akibat metode penilaian yang subjektif dan heterogenitas pasar. Penelitian ini bertujuan untuk mengembangkan model prediksi harga sewa yang objektif dengan membandingkan tiga algoritma Machine Learning: Random Forest (RF), Extreme Gradient Boosting (XGBoost), dan Support Vector Regression (SVR). Dataset terdiri dari 275 data listing yang dikumpulkan melalui teknik web scraping dari platform Lamudi pada Desember 2025. Fitur yang digunakan meliputi luas bangunan dan lokasi (kecamatan). Hasil evaluasi menggunakan data testing menunjukkan bahwa Random Forest adalah model terbaik dengan skor R-Squared () sebesar 0,6801 dan Mean Absolute Percentage Error (MAPE) sebesar 27,40%. Sebaliknya, XGBoost dan SVR menunjukkan performa buruk dengan nilai negatif, mengindikasikan ketidakmampuan menangkap pola data secara efektif pada dataset berskala kecil. Analisis fitur penting (feature importance) mengungkapkan bahwa luas bangunan menjadi faktor paling dominan yang memengaruhi harga sewa dibandingkan lokasi. Penelitian ini membuktikan bahwa Random Forest merupakan metode yang robust untuk valuasi properti dalam konteks manajemen aset publik.

Pemodelan Topik dan Analisis Sentimen pada Ulasan Pengguna Aplikasi Trans Jatim

2025-12-03T04:39:36+00:00

Transportasi publik berperan penting dalam menyediakan mobilitas masyarakat, mengurangi kemacetan, dan menekan dampak lingkungan akibat penggunaan kendaraan pribadi. Untuk menunjang efektivitas layanan tersebut, Pemerintah Provinsi Jawa Timur menghadirkan aplikasi Trans Jatim Ajaib sebagai sarana digital yang memberikan informasi jadwal, rute, dan pelacakan bus Trans Jatim secara real-time. Keberhasilan aplikasi ini tidak hanya bergantung pada fitur teknologi, tetapi juga pada pengalaman dan persepsi pengguna yang tercermin dalam ulasan di platform digital. Penelitian ini bertujuan untuk memodelkan topik ulasan pengguna aplikasi Trans Jatim menggunakan Latent Dirichlet Allocation (LDA) dan menganalisis sentimennya menggunakan model IndoBERT. Hasil analisis menunjukkan bahwa LDA berhasil mengidentifikasi 5 topik utama dengan fokus terbesar pada aspek kenyamanan dan jadwal rute. Analisis sentimen menggunakan model IndoBERT mencapai tingkat akurasi sebesar 88,2% yang menunjukkan kinerja model yang andal dalam mengklasifikasikan sentimen pengguna. Secara umum, mayoritas ulasan pengguna bersentimen positif terutama pada aspek informasi aplikasi dan jalur sedangkan perbaikan prioritas diperlukan pada fitur pembayaran untuk meningkatkan kualitas layanan secara keseluruhan.

Analisis Usability dan Credibility Platform IPB DiSign Menggunakan System Usability Scale dan User Experience Honeycomb

2025-12-04T03:02:11+00:00

Transformasi digital dalam sistem birokrasi menuntut adopsi tanda tangan digital sebagai solusi efisien. Penelitian ini menganalisis usability dan credibility platform IPB DiSign menggunakan metode System Usability Scale (SUS) dan model UX Honeycomb faset Credible. Hasil pengujian menunjukkan skor SUS sebesar 63,92, yang secara kualitatif dikategorikan sebagai Marginal menurut standar acuan (Lewis, 2018) [10]. Meskipun sistem memiliki fungsionalitas yang memadai, analisis per item mengungkapkan kelemahan pada aspek learnability. Sementara itu, skor credibility mencapai 4,2381 pada skala 1–5 yang mengindikasikan persepsi positif pengguna terhadap indikator kepercayaan (trustworthiness), otoritas, dan keandalan sistem. Analisis statistik menggunakan Uji Korelasi Spearman () dan Uji Signifikansi () menunjukkan bahwa hubungan antara usability dan credibility tidak signifikan secara statistik (). Hal ini mengindikasikan bahwa kemudahan antarmuka tidak secara otomatis menjamin peningkatan kepercayaan pengguna. Oleh karena itu, perbaikan sistem harus diprioritaskan pada transparansi keamanan dan edukasi sistem dibandingkan sekadar optimalisasi tampilan.

Model Deteksi Pemborosan Energi Listrik Rumah Tangga Berbasis Algoritma Autoencoder dengan Konsep Internet of Things

2025-10-24T15:36:34+00:00

Penelitian ini menyajikan pendekatan unsupervised untuk mendeteksi pemborosan energi listrik rumah tangga dari fitur jendela waktu berbasis IoT menggunakan Autoencoder (AE). Pipeline meliputi imputasi median, normalisasi RobustScaler, pemisahan berbasis waktu (70/15/15), pelatihan AE dengan AdamW dan early stopping, serta ambang adaptif per-rumah dari persentil 99,5% error rekonstruksi. Evaluasi dilakukan pada dataset energi listrik (23.028 window; dua rumah, dua kanal) dengan fitur statistik tegangan, arus, daya, faktor daya (rata-rata/deviasi standar/p95), slope, dan transien. Grid search memilih AE dangkal (depth=1, width=128, bottleneck=16, dropout=0, ReLU, lr=1e-4, wd=1e-5). Pada test set (n=3.455), rerata error rekonstruksi sebesar 3,17×10?³. Dengan treshold per-rumah (homeA=0,0634, homeB=0,0859), sistem menandai ~0,52% window sebagai pemborosan/anomali, dengan insidensi lebih tinggi pada homeA (0,81%) dibanding homeB (0,23%). Atribusi error per-fitur menonjolkan metrik faktor daya serta slope/variabilitas tegangan, arus, dan daya, pola yang konsisten dengan beban tidak efisien atau switching mendadak. Metode ini siap dioperasikan pada ekosistem IoT dan memberikan indikator yang dapat ditafsirkan untuk tindakan penghematan tanpa memerlukan label.

Predictive Analytics for Property Valuation Using Random Forest in Malang City

2025-12-03T04:49:13+00:00

The property market in Malang City continues to expand alongside rising housing demand, yet limited price transparency still constrains informed decision-making for buyers, sellers, and developers. This study develops a data-driven property price prediction model using the Random Forest algorithm, selected for its robustness and ability to capture complex nonlinear relationships. An initial dataset of 4,358 property listings was collected through web scraping from Rumah123.com, and after thorough preprocessing including data cleaning, handling missing values, and feature refinement 1,573 valid observations remained for analysis. The model incorporates key property characteristics, covering temporal variables (month, year), physical attributes (land area, building area, number of bedrooms and bathrooms, electricity capacity, number of floors), property characteristics (certificate type, property type, property condition, furniture condition, hook position), and price information. Using optimally tuned hyperparameters, the final Random Forest model achieved an R² of 76.66% and a MAPE of 25.27%, indicating strong predictive performance relative to standard regression benchmarks. These findings offer managerial implications by providing objective, data-driven price estimates that can support developers, agents, and prospective buyers in pricing decisions, marketing strategies, and fair value assessments during negotiations.

Evaluasi Machine Learning untuk Prediksi Pembatalan Hotel dengan Threshold Adjustment dan Cost-Based Evaluation

2025-12-22T13:17:45+00:00

Pembatalan pemesanan hotel merupakan permasalahan krusial yang berdampak langsung pada pendapatan dan perencanaan operasional. Penelitian ini mengevaluasi penerapan threshold adjustment dan cost-based evaluation untuk meningkatkan kualitas pengambilan keputusan bisnis. Penelitian ini melibatkan perbandingan beberapa jenis model machine learning menggunakan dataset hotel booking demand. Kinerja model dinilai menggunakan metrik F0.5-Score, precision, ROC AUC, dan pendekatan cost-based evaluation berbasis net revenue. Hasil penelitian menunjukkan bahwa Random Forest memberikan kinerja terbaik dengan F0.5-Score 0.8279, precision 0.878 dan ROC AUC 0.9165. Model lain seperti Logistic Regression (baseline) dengan F0.5-Score 0.7816, XGBoost dengan F-.5-Score 0.8108 dan ANN dengan F0.5-Score 0.8091 menunjukan performa lebih relatif lebih rendah, mengindikasikan bahwa dataset ini lebih cocok menggunakan pendekatan ensamble learning. Temuan penting mengungkapkan bahwa penyesuaian threshold berdasarkan F0.5-Score tidak selalu menghasilkan keuntungan ekonomi maksimum. Penggunaan threshold (0.52) terbukti menghasilkan nilai net revenue lebih tinggi dibandingkan threshold optimal berbasis F0.5-Score. Pendekatan ini diharapkan dapat meningkatkan kualitas pengambilan keputusan bisnis bagi manajer hotel dalam pengelolaan risiko finansial.

Performance Analysis of Google Cloud Platform for Web-Based Applications

2025-11-01T00:03:11+00:00

Selecting an appropriate cloud computing service remains a major challenge in web-based application development, as it directly affects performance, scalability, security, and operational costs. Google Cloud Platform (GCP) offers multiple computing services, yet empirical comparisons among its core services are still limited. This study aims to evaluate and compare the performance of Compute Engine, App Engine, and Kubernetes Engine in hosting web-based applications. A quantitative experimental approach was employed using a Node.js and PostgreSQL-based e-commerce application, tested under various workload scenarios using Apache JMeter. Performance metrics, including response time, throughput, latency, scalability, reliability, security, and cost, were analyzed. The results indicate that Compute Engine provides stable performance for predictable workloads, App Engine delivers low latency with higher operational costs, and Kubernetes Engine offers the best scalability and resource efficiency. Performance optimization techniques such as caching and CDN integration further improved API responsiveness. This study concludes that Kubernetes Engine is the most suitable choice for large-scale and dynamic web applications. Optimal GCP service selection should align with workload characteristics and organizational requirements.