Sistem Penjaminan Mutu Internal (SPMI) di perguruan tinggi menghasilkan data mutu yang besar pada setiap tahap siklus PPEPP, namun sering belum dimanfaatkan secara optimal karena penyajiannya kurang informatif. Business Intelligence (BI) berpotensi mengatasi hal ini melalui dashboard interaktif, tetapi penerapan yang efektif menuntut keterlibatan pengguna dalam perancangannya. Penelitian terdahulu pada konteks serupa umumnya menyajikan dashboard sebagai produk akhir tanpa menampilkan proses perancangannya, sehingga keterlibatan pengguna sulit ditelusuri. Penelitian ini bertujuan mengembangkan dashboard BI berbasis User-Centered Design (UCD) untuk mendukung penjaminan mutu sesuai kerangka PPEPP. Dashboard dikembangkan menggunakan Microsoft Power BI dengan data dari API SPMI institusi melalui proses Extract, Transform, Load (ETL), dengan struktur mengikuti lima tahap PPEPP. Pengembangan dijalankan melalui tiga iterasi UCD dengan fokus berbeda, yaitu pembentukan struktur, penyempurnaan pengalaman pengguna, serta penajaman fungsi analitis dan validasi data. Evaluasi menggunakan System Usability Scale (SUS) dan data validation testing. Hasil menunjukkan peningkatan skor SUS dari 78,7 menjadi 83,72, serta kesesuaian nilai pada dashboard dan sumber data untuk seluruh komponen yang diuji melalui data validation testing. Kontribusi utama penelitian ini adalah dokumentasi proses UCD yang transparan, di mana setiap iterasi disertai temuan, perubahan desain, dan metode evaluasi yang berbeda, sehingga keterlibatan pengguna dapat diverifikasi dan tidak sekadar diklaim.
Indonesia’s remote islands face significant challenges in electricity access due to the high cost and logistical difficulties of extending the national grid, leading many communities to rely on expensive and polluting diesel generators. Solar-based microgrids offer a sustainable alternative, yet the intermittent nature of solar energy, driven by fluctuating weather conditions, poses major obstacles to a reliable power supply and efficient system sizing. This study addresses these issues by developing a real-time solar panel power prediction model using Long Short-Term Memory (LSTM) networks. A 50 Wp solar panel system equipped with an INA260 current sensor, a voltage sensor, a DHT-22 temperature sensor, and an ESP32 microcontroller was constructed to collect real-time voltage, current, and temperature data at 10-second intervals. The collected data underwent preprocessing, feature engineering, and transformation into supervised learning sequences for training. Three temporal resolutions of the LSTM model were systematically evaluated: 3-minute, 2-minute, and 1-minute, all with 30 output timesteps. Performance was assessed using rolling-window predictions on the held-out test set with metrics including RMSE, MAPE, and R². Results demonstrated that finer temporal resolution significantly improves forecasting accuracy. The 1-minute variation achieved the best performance with the lowest RMSE and highest R², effectively capturing both diurnal patterns and short-term fluctuations in solar power output. The developed LSTM model enables accurate short-term predictions (30–90 minutes ahead), supporting proactive energy management, including optimized battery charging, load scheduling, and reduced grid dependency. Future work will incorporate additional meteorological variables and seasonal data to improve model robustness further. Three temporal variations of the LSTM model were systematically evaluated: 3-minute, 2-minute, and 1-minute resolutions, all with 30 output timesteps. Performance was assessed using rolling-window predictions on the held-out test set with metrics including RMSE, MAPE, and R². Results demonstrated that finer temporal resolution significantly improves forecasting accuracy. The 1-minute variation achieved the best performance with the lowest RMSE and highest R², effectively capturing both diurnal patterns and short-term fluctuations in solar power output. The developed LSTM model enables accurate short-term predictions (30–90 minutes ahead), supporting proactive energy management such as optimized battery charging, load scheduling, and reduced grid dependency. Future work will incorporate additional meteorological variables and seasonal data to further improve model robustness.
Keamanan dan keselamatan merupakan kebutuhan dasar manusia. Situasi darurat seperti pencurian, kebakaran, maupun ancaman lainnya sering kali memerlukan respons yang cepat untuk mengurangi dampak negatifnya. Seiring berkembangnya teknologi, sistem keamanan berbasis suara menjadi solusi potensial untuk meningkatkan efektivitas deteksi dini dan tanggapan terhadap keadaan darurat. Penelitian ini bertujuan untuk mengembangkan model akustik berbasis Hidden Markov Model–Gaussian Mixture Model (HMM–GMM) guna mendeteksi kata-kata darurat dalam Bahasa Indonesia, seperti tolong, jangan, maling, kebakaran, dan kecelakaan. Dataset yang digunakan terdiri atas 1.100 berkas audio yang seimbang antara kelas darurat dan non-darurat. Fitur akustik dari dataset diekstraksi menggunakan Mel-Frequency Cepstral Coefficients (MFCC) beserta fitur turunan delta dan delta-delta. Evaluasi dilakukan dengan metode 10-fold cross-validation dan model terbaik diujikan dengan data holdout test untuk memastikan kemampuan generalisasi model. Hasil penelitian menunjukkan bahwa model HMM–GMM dengan 4 state dan 16 komponen Gaussian memberikan performa terbaik dengan akurasi 94,5%, presisi 94,3%, recall 94,5%, dan F1-score 94,4% pada hold. Temuan ini membuktikan bahwa model HMM–GMM efektif dalam mengenali ucapan darurat Bahasa Indonesia secara akurat dan efisien.
Perkembangan Sistem Tanya Jawab Berbasis Gambar (Image-based Question Answering) mengalami peningkatan pesat seiring kemajuan teknologi Optical Character Recognition (OCR), information retrieval, dan kecerdasan buatan multimodal. Namun, integrasi OCR, mekanisme retrieval, dan multimodal reasoning masih menghadapi berbagai tantangan konseptual dan metodologis, sementara sintesis penelitian yang mengkaji keterkaitan ketiganya masih terbatas. Penelitian ini bertujuan memetakan perkembangan, tren, tantangan, dan arah penelitian masa depan terkait teknik berbasis OCR dan information retrieval pada sistem Image-based Question Answering. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan mengacu pada pedoman PRISMA. Sebanyak 61 artikel terindeks dianalisis menggunakan kerangka TCCM (Theory, Context, Characteristics, and Methodology). Hasil penelitian menunjukkan bahwa Multimodal Deep Learning, arsitektur Transformer, dan Attention Mechanism menjadi fondasi utama pengembangan sistem QA modern. Selain itu, integrasi Knowledge Graph, Large Language Model (LLM), dan Retrieval-Augmented Generation (RAG) semakin dominan karena mampu meningkatkan kemampuan reasoning dan pemahaman kontekstual. Terdapat temuan yang mengindikasikan pergeseran paradigma dari pendekatan berbasis feature engineering menuju sistem knowledge-driven multimodal reasoning. Temuan ini memberikan dasar bagi pengembangan sistem QA berbasis gambar yang lebih adaptif, andal, dan kontekstual. Meskipun telah berkembang dengan pesat dan cepat, namun pengembangan IQA juga memiliki tantangan utama meliputi semantic gap, kompleksitas multimodal fusion, hallucination, keterbatasan dataset multibahasa, dan rendahnya interpretabilitas sistem.
Ujian jarak jauh menjadi tulang punggung penyelenggaraan Pendidikan Jarak Jauh (PJJ) di Indonesia, terutama pada institusi berskala masif seperti Universitas Terbuka dan platform Massive Open Online Courses (MOOC), namun keandalan verifikasi wajah pada sistem proctoring komersial terus diuji oleh ancaman presentation attack atau spoofing wajah. Dengan bermodalkan foto cetak, foto pada layar perangkat lain, masker, atau manekin, joki ujian dapat mengelabui verifikasi wajah awal tanpa keahlian teknis khusus dan biaya rendah, kemudian bebas mengerjakan ujian hingga selesai tanpa terdeteksi. Skala pengawasan manual pada ratusan ribu peserta ujian PJJ membuat verifikasi satu per satu menjadi tidak mungkin dilakukan, sehingga dibutuhkan solusi deteksi otomatis yang cepat, ringan, dan andal untuk memfilter tangkapan webcam secara masal pada infrastruktur server kampus. Penelitian ini menjawab kebutuhan tersebut dengan mengembangkan model deteksi presentation attack menggunakan pendekatan transfer learning pada arsitektur DenseNet121, dilatih pada dataset citra wajah multikelas berjumlah 1.403 citra yang mencakup enam kategori: fake_mannequin, fake_mask, fake_printed, fake_screen, fake_unknown, dan realperson. Model dilatih menggunakan strategi fine-tuning parsial pada blok konvolusi akhir (denseblock4 dan norm5) dengan optimizer AdamW, penjadwal ReduceLROnPlateau, dan early stopping untuk menjaga performa sekaligus mencegah overfitting. Hasil pengujian menunjukkan akurasi 87,68%, precision tertimbang 88,79%, recall tertimbang 87,68%, dan F1-score tertimbang 87,62%, dengan performa stabil dan konsisten pada seluruh kelas serangan. Model terbaik diimplementasikan ke aplikasi antarmuka berbasis Streamlit untuk mendemonstrasikan deteksi secara interaktif dan mudah dipahami pengguna non-teknis. Hasil ini membuktikan bahwa pendekatan transfer learning berbasis DenseNet121 akurat, ringan, dan efisien untuk diadopsi sebagai lapisan pertahanan tambahan pada sistem proctoring ujian daring di lingkungan Pendidikan Jarak Jauh berskala besar, di tengah meningkatnya ancaman spoofing terhadap integritas ujian.
Pengelolaan piutang biaya pendidikan merupakan tantangan operasional bagi perguruan tinggi, khususnya dalam mengidentifikasi secara dini mahasiswa yang berpotensi mengalami ketidaklancaran pembayaran. Penelitian ini bertujuan membandingkan kemampuan prediktif algoritma C4.5, Artificial Neural Network (ANN), dan Gaussian Naïve Bayes dalam mengklasifikasikan status piutang biaya pendidikan mahasiswa, serta menganalisis kontribusi atribut prediktor secara konsisten lintas-model. Data terdiri atas 258 rekaman mahasiswa dari Institut Teknologi dan Bisnis Muhammadiyah Wakatobi yang mengintegrasikan karakteristik akademik, wilayah tempat tinggal, kondisi sosial ekonomi wali, serta jumlah dan umur piutang UKT dan BPP. Evaluasi menggunakan holdout terstratifikasi 80:20 dan 90:10 serta RepeatedStratifiedKFold 5×10 sebagai prosedur utama. Seluruh algoritma dilatih pada pembagian data yang identik dengan tahap imputasi, encoding, standardisasi, dan oversampling ditempatkan dalam pipeline pelatihan. Kinerja dievaluasi menggunakan accuracy, precision, recall, F1-score, balanced accuracy, dan PR-AUC. Analisis interpretabilitas menggunakan grouped permutation importance diterapkan seragam pada ketiga algoritma. ANN memperoleh kinerja tertinggi dengan accuracy 82,09% ± 6,17%, recall 82,71%, F1-score 78,62%, balanced accuracy 82,20%, dan PR-AUC 91,32%. C4.5 menghasilkan kinerja mendekati ANN dengan accuracy 81,04% ± 4,98% dan PR-AUC 89,08%, disertai simpangan baku lebih kecil yang mencerminkan prediksi lebih stabil. Gaussian Naïve Bayes menghasilkan recall 80,58% namun balanced accuracy hanya 53,86% dan PR-AUC 46,99%, mengindikasikan kecenderungan prediksi positif berlebihan. Jumlah Piutang UKT Mahasiswa merupakan atribut paling berpengaruh secara konsisten pada ketiga algoritma, diikuti Umur Piutang UKT dan Jumlah Piutang BPP. Atribut akademik, wilayah, dan sosial ekonomi memberikan kontribusi yang kecil atau tidak stabil. ANN dipilih sebagai model utama untuk kepentingan operasional yang memprioritaskan deteksi piutang tak tertagih, sedangkan C4.5 menjadi alternatif kompetitif apabila institusi mengutamakan keterpahaman aturan klasifikasi. Hasil penelitian memberikan dasar ilmiah bagi pengembangan sistem pendukung keputusan prioritas pemeriksaan piutang dengan tetap mensyaratkan verifikasi manual sebelum tindak lanjut diambil.
Danau Maninjau merupakan salah satu danau prioritas nasional yang berada di Kabupaten Agam, Sumatera Barat. Selain unggul pada sektor pariwisata, Danau Maninjau dimanfaatkan oleh masyarakat sekitar untuk melakukan budidaya Keramba Jaring Apung (KJA). Namun lonjakan KJA yang tidak terkontrol menyebabkan tercemarnya perairan Danau Maninjau dengan status trofik eutrofik hingga hipereutrofik. Pemantauan kualitas perairan danau secara rutin dibutuhkan untuk menganalisis perkembangan kualitas perairan danau. Namun pemantauan berbasis laboratorium dinilai mahal dan membutuhkan waktu yang lama. Penelitian ini bertujuan membangun dan membandingkan model machine learning menggunakan algoritma Random Forest dan XGBoost dalam mengklasifikasikan status mutu perairan Danau Maninjau. Penelitian ini memanfaatkan dataset indeks kualitas air (WQI) dengan skenario pembagian data 8:2. Hasil pengujian menunjukkan model Random Forest unggul secara signifikan dalam mengklasifikasi kualitas air dengan tingkat akurasi sebesar 97%, mengungguli model XGBoost yang hanya mencatatkan akurasi 87%. Implementasi model pada data pemantauan perairan Danau Maninjau berhasil mengidentifikasi secara konsisten status Kelas 3 (Marginal) pada empat lokasi krusial (Tengah Danau, Tanjung Sani, Sungai Tampang, dan PLTA Muko-Muko), yang diindikasikan kuat sebagai gejala eutrofikasi akibat supersaturasi oksigen terlarut (DO).
Sistem Pendukung Keputusan (Decision Support Systems/DSS) mengalami perkembangan yang pesat seiring kemajuan teknologi kecerdasan buatan (Artificial Intelligence/AI), yang memungkinkan organisasi mengolah data dalam jumlah besar dan menghasilkan rekomendasi secara lebih efisien. Meskipun demikian, pengambilan keputusan yang sepenuhnya berbasis AI masih menghadapi berbagai tantangan, seperti kurangnya transparansi, keterbatasan pemahaman konteks, bias algoritmik, serta rendahnya kepercayaan pengguna. Di sisi lain, pengambilan keputusan yang sepenuhnya dilakukan manusia juga rentan terhadap keterbatasan kognitif, kelebihan informasi, dan bias penilaian. Penelitian ini mengusulkan suatu Human–AI Collaboration Framework untuk DSS menggunakan pendekatan Design Science Research (DSR). Fokus penelitian adalah merancang dan mengembangkan kerangka konseptual yang mengintegrasikan kemampuan analitis AI dengan keahlian manusia, penalaran kontekstual, dan pertimbangan etis. Framework yang diusulkan terdiri atas tiga lapisan utama, yaitu AI Layer, Human Layer, dan Interaction Layer yang didukung mekanisme Explainable Artificial Intelligence (XAI) serta proses umpan balik berkelanjutan. Framework didemonstrasikan secara konseptual melalui skenario pengambilan keputusan dan dievaluasi berdasarkan analisis literatur. Model yang diusulkan memberikan kontribusi terhadap pengembangan kajian Human–AI Collaboration dengan menyediakan arsitektur terstruktur untuk pengambilan keputusan hibrida sekaligus memberikan panduan praktis bagi pengembangan DSS yang adaptif, transparan, dan berpusat pada manusia
Body temperature is a critical health indicator, and non-contact thermal imaging-based prediction systems are essential for early detection of infectious diseases. This study compares the performance of three FA-SSD (Feature Fusion and Spatial Attention-Based Single Shot Detector) models with different feature extractors—VGG-19, MobileNetV3, and ResNet-152—for face detection and body temperature prediction using thermal images. A subset of 520 thermal facial images from the Comprehensive Facial Thermal Dataset was used, with 80% for training, 10% for validation, and 10% for testing. Model performance was evaluated using Generalized Intersection over Union (GIoU) for detection accuracy, and Mean Absolute Error (MAE) with Mean Absolute Percentage Error (MAPE) for temperature prediction accuracy. The results showed that no single model excelled in all metrics. ResNet-152 achieved the highest average GIoU, indicating superior object detection performance. VGG-19 delivered the lowest average MAE of 0.451°C and MAPE of 1.278%, making it the best for temperature prediction. MobileNetV3 achieved the lowest minimum MAE of 0.000050°C but showed higher average errors and validation fluctuations. In conclusion, VGG-19 is recommended for clinical temperature accuracy, ResNet-152 for robust detection, and MobileNetV3 for edge deployment.
Transformasi digital layanan publik melalui aplikasi M-Paspor menghadapi tantangan signifikan terkait stabilitas sistem dan kepuasan pengguna. Melalui pendekatan Explainable AI, metode SHAP diimplementasikan untuk membongkar mekanisme internal algoritma XGBoost, untuk mengidentifikasi kontributor utama sentimen negatif secara visual dan terukur. Berdasarkan hasil algoritma XGBoost dengan akurasi 92%, melalui pendekatan XAI dengan metode SHAP. Penelitian ini mengintegrasikan model XGBoost dengan metode SHAP yang menghasilkan identifikasi kuantitatif fitur dominan. Kata positif yaitu “lancar” (1,80), “mantap” (1,22), “membantu” (1,02) serta kata negatif “lambat” (-0,77), “mempersulit” (-0,73), “buruk” (-0,43), yang mengindikasikan adanya kendala pada sistem verifikasi dan alur antarmuka. Temuan ini selanjutnya diformulasikan ke dalam kerangka kerja strategis yang merekomendasikan prioritas perbaikan pada aspek kecepatan respons sistem, penyederhanaan prosedur, dan stabilitas teknis, yang terbukti sebagai pemicu utama sentimen negatif pada nilai SHAP: lambat = -0,77, mempersulit = -0,73, buruk = -0,43, sehingga instansi dapat meningkatkan kualitas pelayanan publik digital secara lebih terarah dan berorientasi pada pengguna.
Imbalanced Data merupakan salah satu permasalahan utama dalam pengembangan model klasifikasi karena menyebabkan model cenderung mempelajari kelas mayoritas sehingga kemampuan mendeteksi kelas minoritas menjadi menurun. Berbagai pendekatan, seperti Synthetic Minority Oversampling Technique (SMOTE), Hyperparameter Tuning, dan Ensemble Learning, telah dikembangkan untuk meningkatkan performa model pada kondisi tersebut. Penelitian ini bertujuan menganalisis karakteristik penelitian, mengkaji penerapan SMOTE, Hyperparameter Tuning, dan Ensemble Learning, serta mengidentifikasi Research Gap dalam optimasi model klasifikasi pada Imbalanced Data. Penelitian menggunakan metode Systematic Literature Review (SLR) dengan mengacu pada pedoman PRISMA 2020. Proses kajian meliputi penyusunan Research Question, pencarian literatur pada basis data Scopus, seleksi artikel berdasarkan kriteria inklusi dan eksklusi, Quality Assessment, ekstraksi data, serta sintesis hasil. Sebanyak 14 artikel yang memenuhi kriteria ditetapkan sebagai Primary Studies. Hasil sintesis menunjukkan bahwa SMOTE merupakan teknik yang paling banyak digunakan untuk menangani Imbalanced Data, sedangkan Hyperparameter Tuning berperan dalam memperoleh konfigurasi model yang optimal melalui pendekatan seperti Optuna dan Bayesian Optimization. Selain itu, Ensemble Learning, khususnya Stacking dan Soft Voting, banyak diintegrasikan dengan teknik optimasi lainnya untuk meningkatkan akurasi, stabilitas, dan kemampuan generalisasi model. Penelitian ini menyimpulkan bahwa integrasi SMOTE, Hyperparameter Tuning, dan Ensemble Learning menjadi pendekatan yang dominan dalam optimasi model klasifikasi pada Imbalanced Data. Penelitian juga mengidentifikasi peluang pengembangan pada aspek interpretabilitas model, efisiensi komputasi, serta pengembangan kerangka optimasi yang lebih terintegrasi.
Ulasan pengguna pada platform crowdfunding merepresentasikan pengalaman, tingkat kepuasan, serta berbagai kendala yang dihadapi pengguna, sehingga memiliki nilai strategis sebagai bahan evaluasi dalam pengembangan kualitas layanan. Penelitian ini difokuskan pada analisis sentimen ulasan pengguna aplikasi Kitabisa sekaligus melakukan perbandingan kinerja algoritma Naive Bayes, Support Vector Machine (SVM), dan Random Forest dengan menerapkan framework CRISP-DM. Data penelitian berupa 1.624 ulasan pengguna yang dihimpun dari Google Play Store melalui metode web scraping. Pada tahap data preparation, data diolah melalui proses pembersihan, normalisasi teks, tokenisasi, penghapusan stopword, stemming, serta pembobotan fitur menggunakan TF-IDF. Selanjutnya, untuk mengatasi ketimpangan distribusi kelas sentimen, digunakan Synthetic Minority Over-sampling Technique (SMOTE) agar model mampu mempelajari pola data secara lebih seimbang. Proses pemodelan dilakukan dengan membagi dataset ke dalam data latih dan data uji dengan perbandingan 80:20, kemudian dievaluasi menggunakan metrik akurasi, presisi, recall, F1-score, serta k-Fold Cross Validation. Hasil pengujian mengindikasikan bahwa algoritma SVM menunjukkan performa paling unggul dengan tingkat akurasi pada data uji sebesar 94,51% serta rata-rata akurasi k-Fold sebesar 95,30%, disertai nilai standar deviasi terendah dibandingkan algoritma lainnya. Selain itu, analisis topik berbasis Latent Dirichlet Allocation (LDA) memperlihatkan bahwa sentimen positif didominasi oleh topik manfaat aplikasi dan kemudahan dalam berdonasi, sedangkan sentimen negatif umumnya berkaitan dengan kendala teknis, seperti proses verifikasi akun dan gangguan transaksi. Hasil Penelitian ini diharapkan dapat menjadi dasar pertimbangan bagi pengembang dalam meningkatkan kualitas layanan aplikasi Kitabisa.
Kemudahan akses, fleksibilitas, dan skalabilitas yang ditawarkan cloud computing mendorong peningkatan adopsi teknologi cloud di berbagai sektor, seperti bisnis, kesehatan, pendidikan, dan industri. Namun, di balik berbagai keunggulan tersebut, lingkungan cloud juga memiliki kerentanan terhadap ancaman keamanan, seperti kebocoran data, serangan siber, penyalahgunaan akses, dan gangguan layanan. Kondisi ini menyebabkan penelitian terkait cloud security terus berkembang dalam beberapa tahun terakhir. Penelitian ini bertujuan untuk menganalisis tren, tema penelitian, serta celah penelitian dalam bidang cloud security menggunakan pendekatan Systematic Literature Review (SLR) dan analisis bibliometrik. Sebanyak 76 artikel open access terindeks Scopus pada periode 2022–2025 dianalisis menggunakan perangkat Biblioshiny. Hasil penelitian menunjukkan bahwa tema penelitian didominasi oleh pendekatan intrusion detection, network security, serta pemanfaatan machine learning dan deep learning untuk deteksi ancaman keamanan. Selain itu, teknik kriptografi juga menjadi pendekatan penting dalam perlindungan data pada lingkungan cloud. Analisis thematic map menunjukkan bahwa topik seperti intrusion detection dan network security termasuk kategori motor themes, sedangkan tema seperti blockchain-based security dan application-specific security masih relatif terbatas. Penelitian ini juga mengidentifikasi bahwa sebagian besar studi masih berfokus pada pendekatan keamanan yang terpisah, sehingga integrasi antar teknologi keamanan serta pengembangan sistem yang lebih adaptif dan proaktif menjadi peluang penelitian di masa depan.
Retribusi jasa pasar merupakan salah satu sumber utama Pendapatan Asli Daerah (PAD) yang digunakan untuk pengembangan dan revitalisasi pasar, serta meningkatkan kenyamanan, keamanan, dan pertumbuhan ekonomi daerah. Meskipun Sistem Transaksi Elektronik Pemerintah Daerah (ETPD) telah diterapkan di Kota Tangerang Selatan untuk memudahkan pembayaran melalui berbagai kanal digital, namun tingkat kepatuhan pembayaran masih rendah. Pada tahun 2023, penerimaan retribusi jasa pasar Kota Tangerang Selatan baru mencapai 29,94% dari target yang ditetapkan. Dari jumlah tersebut, hanya 16,86% wajib retribusi yang membayar secara rutin dan tepat waktu, sedangkan 83,14% belum melakukan pembayaran tepat waktu. Kondisi ini dapat menghambat perolehan pendapatan daerah yang optimal. Penelitian ini bertujuan untuk mengembangkan model klasifikasi yang dapat memprediksi kepatuhan pembayaran retribusi jasa pasar di Kota Tangerang Selatan. Penelitian ini memanfaatkan algoritma Random Forest dan mengikuti framework Cross-Industry Standard Process for Data Mining (CRISP-DM) untuk mengklasifikasikan data retribusi jasa pasar periode November 2021 sampai dengan November 2024 yang diperoleh melalui sistem ETPD. Model yang dikembangkan mengklasifikasikan kepatuhan pembayaran retribusi menjadi dua kategori, yaitu tepat waktu dan terlambat. Hasil analisis menggunakan K-Fold Cross Validation menunjukkan bahwa model Random Forest mencapai metrik kinerja yang kuat dengan akurasi 94,94%, presisi 99,49%, recall 90,34%, F1-score 94,69%, dan AUC 95%, yang menunjukkan kemampuan klasifikasi model yang sangat baik. Temuan ini dapat menjadi rekomendasi bagi pemerintah Kota Tangerang Selatan untuk merumuskan strategi peningkatan kepatuhan pembayaran retribusi.
Kualitas udara merupakan salah satu indikator penting dalam pengelolaan lingkungan, namun ketersediaan data hasil pengukuran lapangan masih terbatas pada banyak wilayah, termasuk Kabupaten Kampar. Penelitian ini bertujuan menganalisis sebaran spasial polutan atmosfer, memetakan kualitas udara menggunakan integrasi metode K-Means dan Random Forest, serta mengidentifikasi kontribusi masing-masing parameter polutan terhadap pembentukan kelas kualitas udara. Penelitian memanfaatkan data Sentinel-5P Level-3 periode Januari–Desember 2025 yang diolah melalui Google Earth Engine (GEE). Lima parameter atmosfer yang digunakan meliputi nitrogen dioksida (NO2), karbon monoksida (CO), sulfur dioksida (SO2), ozon (O3), dan Aerosol Index (AI). Metode K-Means digunakan untuk membentuk pseudo-label melalui proses clustering, kemudian hasilnya digunakan sebagai data pelatihan pada algoritma Random Forest untuk menghasilkan peta kualitas udara. Hasil penelitian menunjukkan bahwa kualitas udara di Kabupaten Kampar terbagi ke dalam tiga kelas, yaitu kelas rendah sebesar 45 persen, kelas sedang 44 persen, dan kelas tinggi 11 persen. Wilayah dengan kualitas udara tinggi terkonsentrasi di bagian selatan Kabupaten Kampar, terutama Kecamatan Kampar Kiri Hulu dan sekitarnya. Analisis feature importance menunjukkan bahwa CO dan Aerosol Index merupakan parameter yang memberikan kontribusi terbesar terhadap pembentukan kelas kualitas udara, diikuti oleh O3, NO2, dan SO2. Selain itu, distribusi spasial kelas kualitas udara tinggi menunjukkan kesesuaian dengan beberapa lokasi kejadian kebakaran hutan dan lahan pada tahun 2025. Penelitian ini menunjukkan bahwa integrasi K-Means dan Random Forest berbasis data Sentinel-5P berpotensi menjadi alternatif pemetaan kualitas udara pada wilayah yang memiliki keterbatasan stasiun.
Pengungkapan indikasi kecemasan di media sosial X kerap terselubung dalam bahasa implisit (covert anxiety), sehingga pendekatan klasifikasi berbasis konten teks tunggal sering kali gagal menangkap konteks psikologis secara utuh serta rentan mengalami bias akibat ketidakseimbangan kelas data. Penelitian ini bertujuan untuk membangun model klasifikasi hybrid yang mengintegrasikan fitur linguistik dan indikator perilaku temporal guna meningkatkan sensitivitas deteksi kecemasan. Metodologi dijalankan secara bertahap mulai dari pra-pemrosesan data, ekstraksi fitur tekstual berbasis TF-IDF, serta pembentukan variabel biner temporal is_night (rentang jam 00:00-04:00 WIB). Kedua modalitas fitur digabungkan melalui skema early fusion (concatenation) menjadi vektor hybrid tunggal, yang kemudian diseimbangkan menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) sebelum dilatih menggunakan algoritma Random Forest. Hasil eksperimen menunjukkan bahwa arsitektur hybrid berhasil mencapai tingkat akurasi sebesar 76,83% dengan performa Recall kelas netral sebesar 0,85. Analisis feature importance membuktikan bahwa variabel is_night secara empiris menjadi salah satu prediktor kunci yang memvalidasi korelasi klinis insomnia digital (skala DASS-21) dengan kecemasan. Kesimpulannya, penggabungan metadata waktu terbukti efektif melengkapi analisis teks dalam memperkuat interpretasi konteks perilaku pada sistem deteksi dini kesehatan mental di ruang digital.
Kebijakan royalti musik di Indonesia yang diatur melalui Peraturan Menteri Hukum Nomor 27 Tahun 2025 telah memicu beragam respons dari masyarakat. Penelitian ini bertujuan untuk menganalisis sentimen opini publik di media sosial Twitter terkait kebijakan royalti musik menggunakan algoritma Naive Bayes. Data dikumpulkan dari Twitter berbahasa Indonesia pada periode 1-15 Agustus 2025, menghasilkan 1.588 tweet yang kemudian dianalisis menggunakan Orange Data Mining. Proses analisis meliputi crawling data menggunakan Google Colab, preprocessing data, analisis emosional, dan analisis polarisasi menggunakan multilingual sentiment. Hasil penelitian menunjukkan distribusi sentimen, yaitu 584 tweet positif (36,8%), 561 tweet netral (35,3%), dan 443 tweet negatif (27,9%). Algoritma Naïve Bayes menghasilkan akurasi sebesar 97,17% dengan tingkat kesalahan prediksi sebanyak 45 tweet. Confusion matrix menunjukkan performa model yang sangat baik dalam mengklasifikasikan sentimen publik. Penelitian ini memberikan wawasan penting mengenai persepsi masyarakat terhadap implementasi kebijakan royalti musik dan dapat menjadi bahan evaluasi bagi pemangku kepentingan dalam industri musik Indonesia.
Penelitian ini mengembangkan sistem pengelompokan pekerja berbasis website untuk Dinas Ketenagakerjaan Perindustrian dan Perdagangan (Disnaker Perindag) Kota Binjai menggunakan metode Fuzzy C-Means. Tingginya angka pengangguran dan kompleksitas pengelolaan data pekerja secara manual mendorong kebutuhan akan solusi teknologi yang dapat mengklasifikasikan tenaga kerja secara objektif dan efisien. Penelitian ini menggunakan data 387 pekerja terdaftar dari tahun 2022-2025 dengan lima atribut penilaian: usia, pendidikan, pengalaman kerja, bidang keahlian, dan sertifikasi. Data diproses melalui tahapan pembersihan, normalisasi, dan klasterisasi menggunakan algoritma Fuzzy C-Means untuk membagi pekerja ke dalam empat kategori berdasarkan kesiapan kerja dan kompetensi mereka. Sistem ini dibangun menggunakan Python dengan framework Flask dan database SQLite, dilengkapi fitur login administrator, pengelolaan data pekerja, proses otomasi klasterisasi, dan visualisasi hasil dalam bentuk tabel dan grafik. Hasil penelitian menunjukkan bahwa metode Fuzzy C-Means berhasil mengelompokkan pekerja ke dalam empat klaster sesuai tingkat kemiripan karakteristik mereka, dengan distribusi yang seimbang di setiap kategori. Sistem yang dihasilkan terbukti membantu Disnaker Perindag dalam membuat keputusan penempatan dan pelatihan kerja yang lebih tepat sasaran, objektif, dan sistematis. Penelitian ini menunjukkan bahwa penerapan teknologi data mining dengan Fuzzy C-Means dapat meningkatkan efektivitas pengelolaan sumber daya manusia di instansi pemerintah.
Kualitas tidur merupakan indikator kesehatan yang penting, dibentuk oleh interaksi rumit dari berbagai elemen multidimensi, termasuk kebiasaan makan, tingkat aktivitas fisik, dan kesejahteraan psikologis. Tujuan dari penelitian ini adalah untuk menilai kemanjuran algoritma pembelajaran mesin linier (Regresi Logistik) dan nonlinier (Decision Tree dan Gradient Boosting) dalam meramalkan gangguan tidur. Dataset yang digunakan berasal dari survei yang mencakup 195 peserta dan menjalani beberapa tahap prapemrosesan, termasuk pembersihan data, rekayasa fitur (terutama mengenai durasi), dan standardisasi melalui normalisasi Z-score. Validasi model dilakukan dengan menggunakan teknik Stratified 5-Fold Cross-Validation untuk mengurangi bias dan memastikan stabilitas metrik kinerja. Temuan menunjukkan bahwa model Regresi Logistik, dioptimalkan melalui penyesuaian ambang batas (dengan ambang penyetelan 0,55), menunjukkan kinerja yang paling menguntungkan dan konsisten, mencapai tingkat akurasi 79,5% dan penarikan kembali 96,7%, sehingga melampaui kemanjuran model non-linier seperti Gradient Boosting. Hasil ini menguatkan prinsip kesederhanaan, yang menyatakan bahwa, dalam kumpulan data terbatas, model linier yang lebih sederhana sering menunjukkan ketahanan yang lebih besar daripada rekan-rekan mereka yang lebih kompleks, yang rentan terhadap overfitting. Penilaian interpretabilitas yang dilakukan melalui Analisis Pentingnya Fitur Permutasi menunjukkan bahwa praktik diet sebelum tidur dan tingkat stres muncul sebagai faktor dominan yang mempengaruhi kualitas tidur, melampaui kontribusi aktivitas fisik dan variabel antropometri (seperti tinggi dan berat badan). Mengingat temuan ini, penelitian ini menganjurkan intervensi kesehatan yang menekankan manajemen nutrisi berorientasi waktu (krononutrisi) dan merekomendasikan penggunaan model linier sebagai strategi dasar dalam proses skrining untuk populasi yang ditandai dengan ukuran sampel yang terbatas.
The digital transformation within PT. Pos Indonesia KC Lhokseumawe demands a more efficient, secure, and adaptive procurement system. This study aims to develop a web-based work program submission system that integrates predictive analytics and neural network algorithms to enhance procurement efficiency and the accuracy of budget forecasting. The system is built using a React.js-based frontend architecture and a FastAPI-based backend, with MongoDB as the database. The N-BEATS model is implemented for time series-based budget forecasting, while Neural Collaborative Filtering is employed to recommend vendors based on interaction history. Evaluation results demonstrate strong performance, with an R-squared value of 0.9965 for the forecasting model and an F1-score of 73.71% for the recommendation model. This integrated system provides procurement management features, budget forecasting, and tender recommendations, and is expected to improve business process efficiency at PT significantly.
