Indonesia's economic growth of 5.61% in Q1-2026 has accelerated digitalization in the creative industry, including 3D printing services. Despite its vast potential, the commercial adoption of digital manufacturing services like Pop Studio at the Business Incubator of Balai Diklat Industri Surabaya faces obstacles, namely low consumer 3D design literacy and the threat of price competition from competitors. This study aims to analyze the internal and external environment and formulate the optimal business development strategy for Pop Studio. Using a mixed-methods approach, primary data were collected through field observations, in-depth interviews, and questionnaires distributed to 36 target market respondents. The SWOT matrix mapping shows that Pop Studio has a strong competitive advantage in end-to-end solutions and functional spare part reverse engineering. The TOWS matrix formulation yields Strength-Opportunity (SO) strategies as the main priority, including providing end-to-end solutions, addressing industrial prototyping (jig & fixture) using PETG material, and expanding the creative experience service (coloring studio). The results of this study are expected to serve as a strategic guide for digital manufacturing startup managers in building competitive advantages in the Industry 4.0 era. Keywords - 3D Printing, Business Strategy, SWOT Analysis, TOWS Matrix, Business Incubator.
Penelitian ini memetakan sentimen publik serta pola linguistik, temporal, dan spasial opini mengenai Program Makan Bergizi Gratis (MBG) pada X, sekaligus membandingkan kinerja Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) untuk klasifikasi sentimen. Penelitian menggunakan pendekatan kuantitatif berbasis text mining pada tweet berbahasa Indonesia periode Januari sampai Agustus 2025. Pengumpulan data berbasis kata kunci menghasilkan 13.486 tweet yang difokuskan pada konteks sekolah menengah atas dan menjadi 12.476 tweet setelah penghapusan duplikasi. Pelabelan dilakukan melalui anotasi manual dan bantuan IndoBERT, sedangkan ketidakseimbangan kelas pada data latih ditangani menggunakan ADASYN. Evaluasi dilakukan melalui stratified 10-fold cross-validation dan data uji terpisah. LSTM memberikan kinerja terbaik dengan akurasi 77,63%, presisi 77,51%, recall 77,40%, F1-score 77,46%, dan AUC 91,54%, sedangkan GRU memperoleh akurasi 75,59% dan F1-score 75,40%. Analisis linguistik menunjukkan bahwa sentimen negatif berpusat pada kualitas makanan dan anggaran, sedangkan sentimen positif menonjolkan manfaat gizi, pemerataan, dan masa depan anak. Temuan ini menegaskan bahwa evaluasi kebijakan perlu menggabungkan performa model dengan konteks linguistik dan wilayah. Kata kunci: Analisis Sentimen, Gated Recurrent Unit, Long Short-Term Memory, Pemrosesan Bahasa Alami, Program Makan Bergizi Gratis
This study presents the development of a non-ionizing tomography imaging system using a webcam to detect diabetes-like metabolic disorders in Litopenaeus vannamei through digital image histogram analysis. The method employs controlled glucose injections (0–10 mL) to simulate metabolic variation, followed by optical image acquisition and RGB histogram characterization using Python-based GUI software. Calibration with a white-screen baseline ensures consistent optical response. Results show significant RGB histogram shifts correlating with glucose concentration changes, indicating optical density variations in shrimp tissues. The RGB mean intensity decreased by approximately 20–35% between 0 and 6 mL glucose concentration. Linear regression analysis within the 0–6 mL range yielded a sensitivity of 11.48 intensity units/mL with R² = 0.987, and an estimated detection limit of 0.4 mL equivalent glucose change. The method demonstrates potential as a non-invasive, low-cost diagnostic tool for early metabolic disorder detection in aquaculture. Keywords - non-ionizing tomography, RGB histogram analysis, Litopenaeus vannamei, glucose detection, digital image processing
Pengangguran terbuka merupakan salah satu permasalahan ketenagakerjaan yang masih menjadi tantangan di Provinsi Sulawesi Selatan, dengan tingkat disparitas yang tinggi antar kabupaten/kota. Penelitian ini bertujuan untuk mengelompokkan 24 kabupaten/kota di Provinsi Sulawesi Selatan berdasarkan pola Tingkat Pengangguran Terbuka (TPT) tahun 2019–2023 menggunakan kombinasi metode Principal Component Analysis (PCA) dan K-Means clustering. Data yang digunakan merupakan data sekunder TPT hasil Survei Angkatan Kerja Nasional (Sakernas) periode Agustus yang bersumber dari Badan Pusat Statistik (BPS) Provinsi Sulawesi Selatan. Analisis PCA dilakukan untuk mereduksi dimensi data dari lima variabel tahun pengamatan menjadi beberapa komponen utama yang saling ortogonal, kemudian skor komponen utama digunakan sebagai input dalam K-Means clustering. Hasil penelitian menunjukkan bahwa 24 kabupaten/kota terbagi ke dalam tiga cluster, yaitu Cluster 1 dengan 13 kabupaten/kota berkategori TPT rendah, Cluster 2 dengan 9 kabupaten/kota berkategori TPT menengah, dan Cluster 3 dengan 2 wilayah yaitu Kota Makassar dan Kota Palopo yang berkategori TPT tinggi. Hasil pengelompokan ini diharapkan dapat menjadi referensi bagi pemerintah daerah dalam merumuskan kebijakan ketenagakerjaan yang tepat sasaran sesuai karakteristik masing-masing wilayah. Kata Kunci – Clustering, K-Means, Principal Component Analysis, Pengangguran Terbuka, Sulawesi Selatan
Proses pemilihan desain busana secara manual pada layanan penjahitan kerap tidak efisien dan mengandung subjektivitas tinggi, sehingga pelanggan kesulitan mendapatkan rekomendasi yang sesuai dengan preferensi visual dan karakteristik tubuh mereka. Penelitian ini mengembangkan sebuah sistem rekomendasi busana wanita berbasis Android yang mengintegrasikan convolutional neural network (CNN) dan content‑based image retrieval (CBIR). Arsitektur ResNet50 digunakan untuk mengklasifikasi kategori pakaian (dress, atasan, bawahan) sekaligus mengekstraksi fitur visual menjadi vektor embedding 256 dimensi. Kemiripan antar citra dihitung dengan metode cosine similarity, kemudian hasil rekomendasi disaring berdasarkan kategori pakaian dan tipe tubuh pengguna (kurus, sedang, gemuk). Sistem dibangun dengan arsitektur client‑server: antarmuka Android berupa WebView dan server berbasis Flask. Hasil pengujian menunjukkan bahwa model CNN mencapai akurasi 98,44%, presisi 98,46%, recall 98,44%, dan F1‑score 98,45%. Sistem rekomendasi menghasilkan nilai kemiripan tertinggi 0,86, serta precision@5 = 0,87 dan recall@5 = 0,82. Berdasarkan evaluasi pakar terhadap kesesuaian bentuk tubuh dan estetika, sistem memperoleh rata‑rata skor di atas 4 dari skala 5. Dengan demikian, sistem ini terbukti mampu memberikan rekomendasi busana yang relevan, objektif, dan efisien untuk mendukung proses pemilihan pakaian pada usaha jahit lokal. Kata kunci: CNN, CBIR, cosine similarity, rekomendasi busana, ResNet50.
Kanker payudara merupakan salah satu penyebab kematian tertinggi pada perempuan di dunia, di mana tantangan utamanya terletak pada risiko kekambuhan (recurrence). Penelitian ini bertujuan untuk membangun model prediksi kekambuhan kanker payudara dengan membandingkan tiga algoritma machine learning, yaitu Logistic Regression, Decision Tree, dan Random Forest, berdasarkan karakteristik tumor dari dataset METABRIC. Tahapan penelitian meliputi pra-pemrosesan data, seleksi fitur klinis, dan pembagian data dengan rasio 80:20. Hasil evaluasi menunjukkan bahwa Logistic Regression memiliki performa terbaik dalam hal akurasi (0,661) dan ROC-AUC (0,689), sementara Random Forest menunjukkan keunggulan pada metrik recall (0,544) yang krusial untuk deteksi pasien berisiko. Analisis feature importance mengidentifikasi bahwa jumlah mutasi genetik (Mutation Count), Nottingham Prognostic Index (NPI), dan ukuran tumor merupakan faktor paling dominan dalam memprediksi kekambuhan. Penelitian ini menyimpulkan bahwa karakteristik biologis tumor memiliki pengaruh signifikan terhadap risiko kekambuhan dan penggunaan machine learning berpotensi besar menjadi sistem pendukung keputusan klinis untuk stratifikasi risiko pasien secara objektif. Kata kunci - Kanker Payudara, Kekambuhan, Machine Learning, METABRIC, Karakteristik Tumor
Tanaman kakao (Theobroma cacao) merupakan komoditas penting bagi perekonomian Indonesia, namun produktivitasnya menurun akibat serangan penyakit dan hama seperti black pod rot, pod borer, dan helopeltis. Penelitian ini bertujuan membandingkan kinerja Multilayer Perceptron (MLP) dengan kombinasi fitur warna (HSV, L*a*b) dan tekstur (GLCM, LBP) terhadap DenseNet-121 untuk klasifikasi empat kondisi buah kakao yaitu healthy, black pod rot, pod borer dan helopeltis. Dataset primer 404 citra dikumpulkan dari perkebunan kakao di Sulawesi Barat. Tahapan penelitian meliputi preprocessing, segmentasi, ekstraksi fitur, dan klasifikasi menggunakan MLP dengan 15 kombinasi fitur serta DenseNet-121 dengan transfer learning. Kedua model menerapkan early stopping dan dievaluasi menggunakan akurasi dengan tiga random seed berbeda untuk memastikan validitas hasil yang robust. Hasil menunjukkan DenseNet-121 mencapai akurasi tertinggi 92,19% pada learning rate 0,001 dengan seed 43, sedangkan MLP terbaik pada kombinasi HSV+GLCM+L*a*b hanya 79,69% pada learning rate 0,001 dengan seed 99. Kombinasi fitur warna dan tekstur pada MLP konsisten mengungguli fitur tunggal. DenseNet-121 terbukti lebih unggul karena kemampuannya mengekstraksi fitur hierarkis otomatis melalui bobot pre-trained ImageNet, menjadikannya metode lebih efektif untuk klasifikasi penyakit kakao yang akurat. Kata Kunci – DenseNet-121, Ekstraksi Fitur, Kakao, Klasifikasi Citra, Multilayer Perceptron
Sebuah perjalanan perlu dilakukan perencanaan agar waktu kunjungan dapat terkelola, salah satunya yaitu kunjungan wisata. Banyaknya wisata yang terdapat di Indonesia masing-masing memiliki daya tarik tersendiri. Salah satunya adalah wisata yang ada di Kabupaten Sambas. Minimnya informasi mengenai lokasi destinasi wisata di daerah tersebut menjadi salah satu kendala yang dialami wisatawan. Tujuan dari penelitian ini yaitu mencari rute terpendek berdasarkan nilai parameter optimal. Dalam permasalahan ini, algoritma yang digunakan yaitu Ant Colony Optimization sebagai algoritma optimasi yang dapat diterapkan pada kasus penentuan rute kunjungan wisata. Algoritma tersebut merupakan algoritma yang terinspirasi dari kelompok koloni semut dalam mencari jalur untuk mendapatkan makanan. Pengujian parameter Ant Colony Optimization yaitu alpha, beta, dan rho dengan rentang nilai yang telah ditentukan. Kemudian dibandingkan berdasarkan rata-rata fitness terkecil dari hasil 75 kali percobaan running. Hasil dari pengujian algoritma Ant Colony Optimization didapatkan nilai optimal parameter, yaitu alpha bernilai 0,02 dengan rata-rata fitness 315,56 km, beta bernilai 9,0 dengan rata-rata fitness 314,31 km, dan rho bernilai 0,5 dengan rata-rata fitness 316,01 km. Setelah didapatkan nilai parameter optimal tersebut, kemudian diujikan kembali dengan dilakukan percobaan running sebanyak 5 kali, jadi total keseluruhan running sebanyak 80 kali. Didapatkan fitness terkecil senilai 312,67 km, nilai fitness terbesar senilai 318,32 km, dan rata-rata fitness sebesar 315,28 km. Kata kunci - optimasi, Ant Colony Optimization, rute terpendek, perencanaan perjalanan
The industrial sector is an essential component of the economic structure. A large number of current enterprises degrade air quality in the environment as a result of chemical exposure. As a result, an air quality detection system was designed with the purpose of monitoring air pollutant levels, temperature, and humidity. The system is immediately integrated with smartphones via the Internet of Things. Carbon dioxide (CO2) and carbon monoxide (CO) levels are measured using a MQ-135 sensor. Temperature and humidity are measured using DHT-11 sensors. The complete system is controlled by a NodeMCU ESP8266 connected to an Arduino. Data was collected from two industries using an IoT-based system for a continuous 24-hour cycle over seven days to capture real-time daily fluctuation trends. The continuous 7-day monitoring reveals a clear daily fluctuation trend synchronized with factory shifts, peaking between 12:00 and 14:00 WIB. Dutatex exhibits a higher pollutant load (peak CO2: 820–850 ppm; CO: 8–9 ppm) than Bimatex (peak CO2: 620–650 ppm; CO: 5–6 ppm), while both facilities successfully maintain peak temperatures below 33.0°C. These empirical results demonstrate that continuous 24-hour data acquisition provides a highly accurate and comprehensive assessment for monitoring industrial air quality and occupational health. Keywords - Air Quality, NodeMCU ESP8266, IoT, MQ-135, Arduino.
This study addresses the degradation of gasoline engine performance caused by carbon deposit accumulation in the combustion chamber. The objective of this research is to design and evaluate the performance of an Arduino-based vacuum carbon cleaner device. A quantitative experimental method was employed to analyze the effectiveness of suction systems and monitoring sensors, including a Type-K thermocouple and DC voltage sensor. The system integrates a 12V DC pump and a pneumatic vacuum valve as suction mechanisms. The Arduino microcontroller functions as the central automation unit that processes sensor readings, monitors engine temperature and voltage conditions, and controls the suction operation automatically based on predefined parameters. The developed device has dimensions of 40 × 28 cm, a tank weight of 2.45 kg, and a volume of 2,628.76 cm³, allowing approximately 26 suction cycles per operation. Experimental results show that the fastest engine warm-up occurs at 2500 RPM with an average time of 5.18 minutes. The optimal reaction time for carbon cleaning fluid is 10 minutes. The DC pump demonstrates faster suction performance (11.77 s) compared to the pneumatic valve (14.21 s at 6 bar), although it requires stable voltage conditions. These findings indicate that the developed system is effective in supporting combustion chamber maintenance through an Arduino-based automation mechanism, but requires further optimization in energy efficiency and suction performance. Keywords -Vacuum Carbon Cleaner, Arduino, DC Pump, Combustion Chamber, Engine Maintenance
Website sekolah telah menjadi media utama dalam penyebaran informasi yang terintegrasi, memungkinkan masyarakat untuk mendapatkan informasi secara cepat, tepat, dan terpusat. Namun, banyak situs web yang masih mengabaikan aksesibilitas, membuat pengguna dengan kebutuhan khusus tidak memiliki pengalaman akses yang optimal. Dengan mengacu standar aksesibilitas internasional Web Content Accessibility Guidelines (WCAG), penelitian ini akan membangun situs profil MTs Nurul Burhan yang inklusif. Metode prototype yang digunakan memungkinkan pengembangan sistem dilakukan secara bertahap berdasarkan tanggapan pengguna. Pengujian sistem termasuk validasi ahli media, uji fungsional menggunakan Blackbox Testing, uji aksesibilitas menggunakan tools WAVE dan AChecker, dan uji usability menggunakan metode System Usability Scale (SUS). Hasil penelitian menunjukkan bahwa seluruh halaman web tidak memiliki kesalahan atau masalah yang diketahui menggunakan alat pengujian otomatis, namun beberapa komponen masih memerlukan evaluasi manual. Selain itu, semua proses sistem beroperasi dengan tingkat keberhasilan 100%. Hasil validasi ahli media menunjukkan kategori yang sangat layak, dan skor SUS 80 menunjukkan kemudahan penggunaan yang baik. Kata Kunci - Website Sekolah, Aksesibilitas Website, WCAG
Fraud detection menjadi salah satu tantangan penting dalam sistem informasi modern, khususnya pada transaksi finansial dan digital. Berbagai penelitian telah menunjukkan performa tinggi model Random Forest dan XGBoost, namun sebagian besar evaluasi masih dilakukan pada dataset tertentu dan terbatas pada perbandingan deskriptif. Penelitian ini bertujuan melakukan analisis statistik komparatif lintas studi terhadap performa model Random Forest dan XGBoost berdasarkan nilai Area Under Curve (AUC) pada berbagai domain fraud detection. Penelitian menggunakan data sekunder dari 40 studi terdahulu yang terdiri dari 20 model Random Forest dan 20 model XGBoost. Analisis dilakukan menggunakan statistik deskriptif, uji asumsi, independent samples t-test, Mann-Whitney U test, dan effect size menggunakan Cohen’s d. Hasil penelitian menunjukkan bahwa XGBoost memiliki rata-rata AUC yang sedikit lebih tinggi dibandingkan Random Forest. Namun, hasil uji statistik dan effect size menunjukkan bahwa perbedaan tersebut tidak signifikan secara statistik maupun praktis. Selain itu, Random Forest cenderung menunjukkan performa yang lebih stabil, sedangkan XGBoost lebih sensitif terhadap karakteristik dataset dan konfigurasi model. Penelitian ini menunjukkan bahwa evaluasi performa machine learning lintas studi tidak cukup hanya berdasarkan nilai rata-rata AUC, tetapi juga perlu mempertimbangkan signifikansi statistik, effect size, stabilitas performa, dan heterogenitas antar studi. Kata Kunci – AUC; Fraud Detection; Machine Learning; Random Forest; XGBoost
With the advancement of technology, humans are also required to adapt to these advancements. The industrial sector is one sector significantly impacted by this technological development, from increasingly sophisticated production machines to increasingly flexible attendance systems for employees. However, amidst this technological advancement, the author found several aspects impractical in its application. One example is the use of paper documents for loading and unloading trucks. The use of paper documents can complicate the loading and unloading process, as paper documents have several weaknesses, such as water fading, tearing, forgery, and other weaknesses not included in this study. Based on these issues, the researcher taking the initiative to create a prototype of an RFID-based truck load data collection tool with smart calibration and HMI that facilitates truck drivers and warehouse personnel in the loading and unloading process. The system researcher designed consists of an RFID sensor connected to an Haiwell Scada. Keywords - Paper, RFID, Prototype, smart calibration, HMI, Truck
This study presents the design and experimental evaluation of a small-scale pumped-storage hydropower (PSH) system integrated with an off-grid photovoltaic (PV) system, serving as a proof-of-concept energy storage prototype. The proposed system consisted of an 800 Wp PV array, an upper and lower reservoir, a low-head Pelton turbine, a DC generator, piping, and a water pump. The system was implemented in a building-based configuration with an effective storage head of 14.65 m. The research was conducted using an engineering design approach, including site assessment, turbine design, turbine-generator testing, PSH-PV integration, and system performance evaluation. The PV subsystem showed a positive linear relationship between solar irradiance and PV output power, indicating an appropriate electrical response under field operating conditions. During the charging test, the nominal 550 L upper reservoir was filled with an actual water volume of 462 L, resulting in a stored potential energy of 18.44 Wh. The estimated electrical input energy required for charging was 105.30 Wh, corresponding to a storage efficiency of 17.51%. During the discharge test, the turbine-generator unit operated for approximately 0.61 h while the tank was being emptied and produced an electrical output energy of 5.76 Wh. DC output power generally ranged from 8.46 W to 10.03 W during the main discharge phase before dropping sharply near the end of operation. The turbine-generator efficiency was 31.24%, while the overall recoverable efficiency of the integrated PSH system was 5.47%. The results confirm the technical feasibility of the proposed PSH-PV system as a small-scale energy storage prototype. However, the relatively low storage efficiency and overall recoverable efficiency indicate that further optimization is required before practical implementation. Keywords: Pumped Storage Hydropower, Pelton Turbine, Renewable Energy, Photovoltaic System, Energy Storage
Penelitian ini bertujuan untuk membandingkan efektivitas empat model deep learning—MobileNetV2, VGG19, InceptionV3, dan ResNet50—dalam membedakan antara gambar yang dihasilkan oleh kecerdasan buatan (AI) dan karya seni manusia. Keempat model ini diuji menggunakan dataset gambar yang terdiri dari dua kategori: AI-generated images dan human-generated images. Masing-masing model dilatih selama 30 epoch, dengan evaluasi menggunakan metrik akurasi dan kerugian untuk menilai kinerja pelatihan dan kemampuan generalisasi pada data validasi. Hasil penelitian menunjukkan bahwa MobileNetV2 mencapai akurasi pelatihan tertinggi (91,01%) dengan efisiensi waktu pelatihan yang lebih cepat, sementara InceptionV3 memberikan hasil akurasi yang hampir setara (90,13%) meskipun memerlukan lebih banyak waktu pelatihan. VGG19 dan ResNet50, meskipun memberikan hasil yang solid, mengalami konvergensi yang lebih lambat dan memerlukan lebih banyak sumber daya komputasi. Penurunan kerugian yang signifikan pada MobileNetV2 dan InceptionV3 menunjukkan kemampuan optimasi yang lebih baik dibandingkan dengan VGG19 dan ResNet50. Berdasarkan hasil tersebut, MobileNetV2 terbukti sebagai model yang paling efisien untuk aplikasi dengan keterbatasan sumber daya komputasi, sementara InceptionV3 lebih cocok untuk aplikasi yang memprioritaskan akurasi tinggi. Penelitian ini memberikan kontribusi terhadap pengembangan teknologi deteksi karya seni berbasis AI yang efisien dan akurat, serta membuka peluang untuk penelitian lanjutan dalam optimasi model deep learning untuk aplikasi yang lebih luas. Kata kunci - Deteksi seni buatan AI , MobileNetV2, VGG19, InceptionV3, dan ResNet50
Saham NVIDIA dalam beberapa tahun terakhir mengalami pertumbuhan laba dan volatilitas harga yang cukup tinggi. Volatilitas ini dapat menimbulkan risiko kerugian akibat penurunan harga saham. Oleh karena itu, diperlukan instrumen lindung nilai, salah satunya adalah opsi put. Opsi put merupakan instrumen derivatif yang memberikan hak kepada pemegangnya untuk menjual aset yang mendasarinya pada harga tertentu dalam periode tertentu. Tujuan penelitian ini adalah menganalisis penilaian harga opsi put saham NVIDIA menggunakan model Black–Scholes dan LSTM. Data yang digunakan berupa histori kuotasi opsi harian pada periode 2022–2023. Hasil penelitian menunjukkan bahwa model LSTM memiliki akurasi yang lebih unggul dengan RMSE sebesar 5.100 dan MAE sebesar 3.079, dibanding dengan model Black–Scholes yang menghasilkan RMSE sebesar 7.303 dan MAE sebesar 3.656. Berdasarkan waktu jatuh tempo, model Black–Scholes lebih unggul pada opsi dengan jatuh tempo kurang dari tiga bulan, sedangkan model LSTM lebih unggul pada opsi dengan jatuh tempo lebih dari tiga bulan. Perbedaan tersebut dipengaruhi oleh penyimpangan asumsi normalitas log return pada model Black–Scholes dan pendekatan bergulir yang mempu menjaga kestabilan akurasi penilaian pada model LSTM. Penelitian ini diharapkan dapat menjadi referensi dalam pemilihan model penentuan harga opsi put untuk mendukung strategi lindung nilai. Kata Kunci - Opsi Put, Black–Scholes, LSTM, pengelolaan risiko, NVIDIA
Putus studi mahasiswa masih menjadi salah satu permasalahan yang dihadapi oleh perguruan tinggi swasta karena dapat mempengaruhi kualitas akademik dan keberlangsungan institusi. Risiko putus studi mahasiswa perlu dideteksi sejak awal agar intervensi akademik dapat dilakukan secara lebih cepat dan tepat. Penelitian ini menggunakan pendekatan Educational Data Mining untuk memprediksi putus studi mahasiswa serta mengidentifikasi faktor-faktor yang berkontribusi terhadap risiko putus studi. Data penelitian diperoleh dari sistem informasi akademik pada salah satu perguruan tinggi swasta di Jawa Timur dengan total sebanyak 4.730 data mahasiswa. Variabel yang digunakan meliputi Indeks Prestasi Semester 1 (IPS1), Indeks Prestasi Semester 2 (IPS2), jumlah SKS yang diambil, frekuensi cuti, dan tren IPS. Penelitian menggunakan dua algoritma klasifikasi, yaitu Decision Tree dan Logistic Regression. Hasil penelitian menunjukkan bahwa model Decision Tree menghasilkan performa yang lebih baik dibandingkan Logistic Regression dengan tingkat accuracy sebesar 76,56% dan recall sebesar 82% dalam mendeteksi mahasiswa putus studi, sedangkan Logistic Regression menghasilkan accuracy sebesar 64,52% dengan recall sebesar 73%. Hasil analisis feature importancemenunjukkan bahwa jumlah SKS dan IPS semester pertama merupakan faktor yang paling dominan dalam klasifikasi putus studi, sedangkan tren IPS memberikan kontribusi tambahan yang relatif lebih kecil. Temuan penelitian menunjukkan bahwa data akademik awal mahasiswa dapat dimanfaatkan untuk mendukung sistem early warning dalam mengidentifikasi mahasiswa berisiko putus studi secara lebih dini. Kata kunci: putus studi, educational data mining, decision tree, logistic regression, prediksi mahasiswa
Pengujian perangkat lunak merupakan tahap penting untuk memastikan sistem berjalan sesuai dengan kebutuhan fungsional. Penelitian ini bertujuan menerapkan metode Data-Driven Testing (DDT) untuk melakukan pengujian otomatis pada sistem admin website DPRD Kabupaten Bengkalis. Metode DDT memungkinkan pengujian dilakukan secara sistematis dengan memanfaatkan variasi data uji yang disimpan pada sumber data eksternal. Proses penelitian meliputi analisis kebutuhan, perancangan skenario pengujian, penyusunan data uji, implementasi otomatisasi menggunakan Katalon Studio, serta evaluasi hasil pengujian. Data uji disimpan dalam file Microsoft Excel dan diintegrasikan dengan skrip pengujian melalui mekanisme data binding sehingga setiap kombinasi input dapat dieksekusi secara otomatis. Form login digunakan sebagai contoh utama implementasi metode ini karena merupakan gerbang autentikasi pada sistem admin. Hasil pengujian menunjukkan bahwa mekanisme autentikasi pada form login mampu memproses berbagai kombinasi input dengan baik, dimana sistem hanya memberikan akses ketika kredensial valid dan menolak input yang tidak sesuai. Selain itu, evaluasi terhadap beberapa form lain menunjukkan masih adanya kelemahan pada mekanisme validasi input yang memungkinkan data tidak lengkap tetap tersimpan dalam sistem. Hasil penelitian ini menunjukkan bahwa penerapan Data-Driven Testing dapat meningkatkan efisiensi proses pengujian serta membantu mengidentifikasi kelemahan validasi pada sistem berbasis web. Kata Kunci - Data-driven Testing, Pengujian Fungsional, Katalon Studio, Website DPRD
Keterlibatan mahasiswa dengan media sosial telah meningkat secara signifikan dan kini menjadi aktivitas sehari-hari mereka. Namun, penggunaan berlebihan dan keterlibatan yang tidak menentu dapat mengakibatkan beberapa dampak negatif, seperti berkurangnya fokus saat belajar dan kualitas tidur yang buruk. Hal ini menyoroti pentingnya strategi yang dapat secara objektif menilai tingkat ketergantungan media sosial. Pendekatan ini menerapkan algoritma K-Nearest Neighbor (KNN) dalam mengkategorikan tingkat kecanduan di kalangan mahasiswa berdasarkan karakteristik data yang sama. Data yang digunakan berasal dari sumber sekunder di Kaggle, yang menampilkan variabel seperti waktu penggunaan, frekuensi akses, kualitas tidur, dan tingkat perhatian selama sesi belajar. Metodologi ini mencakup langkah-langkah seperti pembersihan data, normalisasi melalui teknik StandarScaler (Z-Score Standardization), membagi data menjadi set pelatihan dan pengujian, dan klasifikasi menggunakan berbagai skenario nilai K. Temuan menunjukkan bahwa metode yang digunakan mencapai hasil klasifikasi yang cukup andal dalam menilai tingkat kecanduan mahasiswa terhadap platform media sosial. Hasil ini menekankan bahwa pendekatan yang berfokus pada data dapat berfungsi sebagai dasar untuk memahami dan mengatasi efek negatif yang terkait dengan penggunaan media daring. Kata Kunci - Kecanduan Media Sosial, Mahasiswa, Klasifikasi Data, K-Nearest Neighbor, Analisis Data
Penelitian ini bertujuan untuk menganalisis sentimen ulasan dan komentar pengguna terhadap aplikasi Toco menggunakan algoritma Support Vector Machine (SVM). Seiring dengan meningkatnya jumlah pengguna aplikasi, volume ulasan yang dihasilkan juga semakin besar sehingga diperlukan metode otomatis untuk mengklasifikasikan opini pengguna secara efektif. Metode yang digunakan dalam penelitian ini adalah Knowledge Discovery in Database (KDD) yang meliputi tahapan seleksi data, preprocessing, transformasi data menggunakan TF-IDF, pembagian data, klasifikasi, dan evaluasi. Dataset yang digunakan berjumlah 3000 ulasan yang diperoleh dari Google Play Store, TikTok, dan Instagram, kemudian dilabeli secara manual menjadi sentimen positif dan negatif. Hasil pengujian menunjukkan bahwa model SVM mampu menghasilkan akurasi sebesar 93,17%, precision 97,89%, recall 83,41%, dan F1-score 90,07%. Hasil tersebut menunjukkan bahwa metode SVM efektif dalam melakukan analisis sentimen pada data teks berbahasa Indonesia. Penelitian ini diharapkan dapat memberikan gambaran mengenai persepsi pengguna terhadap aplikasi Toco serta menjadi bahan evaluasi bagi pengembang dalam meningkatkan kualitas layanan aplikasi. Kata kunci - Analisis Sentimen, Support Vector Machine, TF-IDF, Ulasan Pengguna, Aplikasi Toco
