Jurnal Tekno Kompak

Perbandingan Algoritma Support Vector Machine dan Long Short-Term Memory untuk Klasifikasi Sentimen Aplikasi K24KLIK

2025-10-04T14:57:05+07:00

Perkembangan teknologi digital dalam sektor kesehatan telah mendorong hadirnya layanan farmasi berbasis aplikasi, salah satunya K24Klik. Aplikasi ini menyediakan pemesanan obat, konsultasi daring dengan apoteker, dan akses informasi kesehatan. Ulasan pengguna menjadi sumber penting untuk mengevaluasi kualitas layanan dan kepuasan pelanggan. Penelitian ini membandingkan performa algoritma klasifikasi sentimen Support Vector Machine (SVM) maupun Long Short-Term Memory (LSTM) terhadap 1.000 ulasan pengguna K24Klik dari web scraping dari Google Play Store. Data diolah melalui tahapan cleansing, case folding, tokenizing, stopword removal, dan stemming, lalu diberi label sentimen positif, negatif, dan netral menggunakan model Transformer. Eksperimen dilakukan pada tiga rasio data latih-uji (80:20, 70:30, 60:40) untuk memeriksa konsistensi model. Hasil menunjukkan SVM memperoleh F1-score tertinggi 0.88 pada kelas positif dan negatif, sedangkan LSTM mencapai akurasi 0.84 dengan performa lebih merata termasuk pada kelas netral. Penelitian ini menegaskan pentingnya pemilihan algoritma sesuai karakteristik data; SVM unggul pada data seimbang dan terstruktur, sementara LSTM efektif untuk data tidak seimbang dan konteks teks kompleks. Kontribusi utama studi ini adalah penerapan pelabelan otomatis berbasis Transformer yang terbukti akurat untuk membangun sistem analisis sentimen real-time di layanan farmasi digital.

Performance Evaluation Web Scraping BeautifulSoup and Lxml in the ConvexView Application

2025-10-04T15:29:56+07:00

Weather is a crucial factor in human life, especially in agriculture, shipping, and other activities. One of the main indicators of extreme weather conditions is convective clouds, which are clouds formed by warm air convection and have the potential to cause heavy rain, lightning, and strong winds. Monitoring convective clouds can currently be done using Himawari-9 satellite imagery, which provides infrared imagery data to detect the presence of clouds based on their peak temperature. However, this data is still raw and difficult for the general public to interpret. To address this issue, this study aims to design and develop a web-based ConvexView application capable of automatically visualizing Himawari-9 satellite imagery, specifically for the Cilacap region. This study also compares two Web Scraping techniques, BeautifulSoup and lxml, to determine the most optimal data extraction technique. The programming language used is Python, with FastAPI support for the backend and React JS for the frontend. The development method used is Prototyping, as it allows development to be carried out in stages and involves users in the design process. This application is designed so that users can view real-time visualizations of convective clouds and download the images. It is hoped that the results of this research will not only contribute in the form of a web-based application, but also serve as a reference for the development of satellite image-based meteorological applications in the future.

Integrasi SWOT dan AHP dalam Strategi Pendidikan Dasar untuk Menekan Putus Sekolah

2025-10-04T16:01:06+07:00

Tingginya tingkat putus sekolah di tingkat Sekolah Dasar (SD) tetap menjadi tantangan serius dalam sistem pendidikan Indonesia, dengan pengaruh besar terhadap pengembangan sumber daya manusia dan pemerataan akses pendidikan. Studi ini bertujuan untuk menciptakan strategi prioritas yang terukur dan efisien guna menurunkan tingkat putus sekolah melalui penggabungan metodologis antara analisis SWOT (Kekuatan, Kelemahan, Peluang, Ancaman) dan AHP (Proses Hirarki Analitis). Sumber data penelitian berasal dari Portal Satu Data Indonesia, yang menyajikan statistik pendidikan terbaru dari berbagai provinsi, dengan penekanan pada faktor-faktor yang mengakibatkan putus sekolah. Metode AHP digunakan untuk menetapkan bobot prioritas melalui perbandingan berpasangan di antara faktor-faktor, sedangkan konsistensi diuji dengan menggunakan Consistency Ratio (CR) untuk memastikan keandalan hasil. Hasil penelitian menunjukkan bahwa faktor internal memainkan peran utama, dengan kekuatan (Strengths) berada di urutan teratas (46,6%), terutama terkait dengan optimalisasi program Bantuan Operasional Sekolah (BOS) dan kebijakan pendidikan wajib 12 tahun. Kelemahan (Weaknesses) diikuti dengan bobot 27,7%, yang meliputi permasalahan rendahnya pendapatan keluarga dan ketidakmerataan distribusi guru. Sementara itu, peluang (Opportunities) dan ancaman (Threats) mendapatkan bobot masing-masing 16,1% dan 9,6%, yang menunjukkan pentingnya kerja sama dengan LSM serta penanganan dampak bencana alam dan konflik sosial. Nilai CR yang mencapai 0,0115 memastikan konsistensi serta keandalan dari hasil analisis. Implikasi dari penelitian ini tidak hanya menyediakan dasar empiris untuk merumuskan kebijakan pendidikan, tetapi juga menyajikan kerangka kerja strategis yang dapat disesuaikan oleh pemangku kepentingan dalam merancang intervensi yang lebih terarah, berkelanjutan, dan responsif terhadap kondisi nyata di lapangan.

Prediksi Harga Saham Syariah Menggunakan Metode Deep Learning GRU dan LSTM

2025-10-04T16:20:56+07:00

Saham syariah merupakan saham yang memiliki peraturan khusus mengacu pada prinsip-prinsip syariah dalam hukum islam. Harga saham syariah termasuk bersifat fluktuatif yang menimbulkan tantangan bagi investor dalam menentukan keputusan investasi yang tepat. Tujuan penelitian ini adalah untuk memprediksi harga penutupan saham syariah menggunakan dua model yaitu GRU dan LSTM, serta membandingkan performa keduanya. Data yang digunakan berasal dari dua emiten saham syariah ASII dan ADRO selama lima tahun terakhir. Pengembangan model prediksi penelitian ini mengikuti tahapan metode CRISP-DM, CRISP-DM akan memproses data dan membuat model melalui langkah yang terstruktur mulai dari tahapan business understanding, data understanding, data preparation, modeling, evaluation, hingga deployment. Menurut hasil pengujian, model Gated Recurrent Unit mempunyai performa terbaik dengan nilai RMSE 80.411 dan MAPE 1.329 untuk ASII, serta RMSE 93.133 dan MAPE 2.409 untuk ADRO, sedangkan performa model Long Short-Term Memory masih dibawah model GRU dengan nilai RMSE 86.165 dan MAPE 1.501 untuk ASII, serta RMSE 105.281 dan MAPE 3.563 untuk ADRO. Hasil prediksi yang cukup akurat menunjukkan potensi pemanfaatan deep learning dalam meningkatkan akurasi prediksi harga saham syariah, sekaligus membantu investor membuat keputusan yang lebih objektif dan keputusan investasi yang tepat.

Klasifikasi Sentimen Ulasan Pengguna Aplikasi Layanan Publik Google Play Store Menggunakan NLP dan ML

2025-10-04T16:44:47+07:00

Perkembangan teknologi digital telah mendorong transformasi signifikan dalam penyediaan layanan publik di Indonesia. Peningkatan pemanfaatan aplikasi digital menuntut adanya evaluasi berbasis data guna memahami tingkat kepuasan masyarakat sekaligus menilai persepsi mereka terhadap kualitas layanan. Evaluasi ini penting tidak hanya dari sisi teknis, tetapi juga untuk memastikan bahwa manfaat layanan benar-benar dirasakan oleh para pengguna. Salah satu pendekatan yang relevan untuk melakukan penilaian tersebut adalah analisis sentimen dengan memanfaatkan metode Natural Language Processing (NLP) melalui ulasan pengguna yang tersedia pada platform distribusi aplikasi seperti Google Play Store. Penelitian ini bertujuan menerapkan serta membandingkan kinerja tiga algoritma klasifikasi teks, yakni Naïve Bayes, Support Vector Machine (SVM), dan Random Forest, dalam menganalisis sentimen terhadap aplikasi layanan publik MyICON+, yang dikembangkan oleh PT Indonesia Comnets Plus (ICON+), anak perusahaan dari PT PLN (Persero). Metode penelitian menggunakan pendekatan kuantitatif eksperimental dengan desain komparatif. Data penelitian berupa 2.000 ulasan berbahasa Indonesia yang dikumpulkan menggunakan teknik web scraping. Data kemudian diproses melalui tahapan prapemrosesan teks yang meliputi case folding, tokenisasi, penghapusan stopword, dan stemming menggunakan pustaka Sastrawi. Representasi fitur diperoleh melalui metode Term Frequency–Inverse Document Frequency (TF-IDF), dengan data yang diberi label sentimen positif dan negatif. Dataset dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Evaluasi dilakukan dengan metrik akurasi, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma SVM memberikan performa terbaik dengan akurasi 97% dan macro F1-score 0,87. Algoritma Random Forest berada pada posisi kedua dengan akurasi 95% dan macro F1-score 0,80, sedangkan Naïve Bayes memperoleh akurasi 92% dan macro F1-score 0,51. Selain unggul dalam akurasi, SVM juga lebih stabil dalam mendeteksi sentimen minoritas seperti ulasan positif. Secara keseluruhan, penelitian ini menegaskan bahwa SVM merupakan metode yang paling efektif dalam klasifikasi opini berbasis teks pada konteks layanan publik digital. Hasil studi diharapkan berkontribusi dalam pengembangan sistem analitik opini publik otomatis dan mendukung pengambilan keputusan yang lebih adaptif untuk peningkatan layanan digital pemerintah.

Analisis Kinerja Mikroservis dan Monolitik Menggunakan K6 pada Sistem Booking Tutor

2025-10-04T17:15:49+07:00

Pertumbuhan pesat platform pendidikan digital, khususnya sistem booking tutor, menuntut arsitektur perangkat lunak yang skabel, andal, dan responsif. Arsitektur monolitik tradisional seringkali menghadapi kendala dalam skalabilitas dan pemeliharaan seiring dengan meningkatnya beban pengguna. Penelitian ini bertujuan untuk menganalisis dan membandingkan secara kuantitatif kinerja antara arsitektur mikroservis dan monolitik dalam konteks sistem booking tutor bahasa Jepang. Untuk mencapai tujuan ini, dua versi sistem identik diimplementasikan: satu menggunakan arsitektur monolitik dan satu lagi dengan arsitektur mikroservis berbasis event-driven. Kinerja kedua arsitektur dievaluasi secara ketat menggunakan tool load testing K6 pada beban 500 pengguna virtual. Metrik kinerja utama yang diukur meliputi waktu respons dan tingkat kesalahan. Hasil pengujian menunjukkan keunggulan kinerja yang signifikan pada arsitektur mikroservis. Pada operasi kritis seperti pembuatan pembayaran, arsitektur mikroservis mampu mempertahankan waktu respons 399 ms. Sebaliknya, arsitektur monolitik mengalami kegagalan fungsional dengan waktu respons pada endpoint yang sama mencapai 170 detik. Lebih lanjut, arsitektur monolitik menunjukkan ketidakstabilan sistem yang signifikan, dengan tingkat kegagalan puncak mencapai 0.81/s, jauh lebih tinggi dibandingkan tingkat kegagalan tertinggi pada mikroservis yang hanya 0.03/s. Studi ini menyimpulkan bahwa arsitektur mikroservis menawarkan keunggulan kinerja, skalabilitas, dan ketahanan yang jelas dibandingkan arsitektur monolitik untuk aplikasi booking tutor. Temuan ini memberikan bukti empiris yang kuat bagi para pengembang dan arsitek sistem dalam memilih fondasi arsitektur yang tepat untuk membangun aplikasi yang tangguh dan siap menghadapi pertumbuhan di masa depan.

Klasifikasi Citra Daun Kelapa Sawit Menggunakan Metode KNN dan Naive Bayes

2025-10-04T20:09:37+07:00

Kelapa sawit (Elaeis guineensis) merupakan komoditas strategis yang berperan penting dalam perekonomian Indonesia, khususnya sebagai penghasil minyak sawit mentah (Crude Palm Oil) yang menjadi salah satu komoditas ekspor utama. Produktivitas kelapa sawit sering kali terancam oleh serangan hama daun seperti ulat api (Setora nitens), kutu daun (Aphis gossypii), tungau merah (Oligonychus sp.), dan Valanga nigricornis, serta beberapa penyakit seperti Blight, Chlorosis, Crinkled Leaf, dan Orange Spotting . Serangan tersebut dapat mengakibatkan penurunan hasil panen yang signifikan, sehingga deteksi dan identifikasi dini menjadi sangat penting. Metode identifikasi manual di lapangan memiliki keterbatasan dalam hal kecepatan, akurasi, dan konsistensi, sehingga dibutuhkan teknologi yang mampu melakukan klasifikasi secara otomatis. Penelitian ini bertujuan membandingkan kinerja algoritma K-Nearest Neighbor (KNN) dan Naive Bayes dalam mengklasifikasikan hama dan penyakit pada daun kelapa sawit menggunakan pengolahan citra digital. Dataset yang digunakan terdiri dari 3.600 citra beresolusi 800×800 piksel, terbagi dalam sembilan kelas yang mencakup empat jenis penyakit, empat jenis hama, dan satu kelas daun sehat. Tahapan penelitian meliputi praproses citra berupa konversi format, resize, crop, dan penamaan ulang file. Ekstraksi fitur dilakukan melalui analisis warna (nilai rata-rata dan standar deviasi kanal RGB) dan analisis tekstur menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dengan parameter contrast, energy, homogeneity, dan entropy. Data dibagi menjadi 70% untuk pelatihan dan 30% untuk pengujian, kemudian dilakukan klasifikasi menggunakan KNN dan Naive Bayes. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa KNN memiliki kinerja lebih unggul dibandingkan Naive Bayes. KNN mencapai akurasi 71% dengan presisi dan recall yang relatif seimbang pada seluruh kelas, sedangkan Naive Bayes hanya mencapai akurasi 42% dan cenderung tidak seimbang pada beberapa kelas. Temuan ini menunjukkan bahwa KNN lebih sesuai digunakan pada klasifikasi hama daun kelapa sawit berbasis pengolahan citra untuk dataset berukuran sedang dengan variasi tekstur dan warna yang tinggi. Penelitian ini merekomendasikan penerapan KNN dalam sistem deteksi hama otomatis berbasis perangkat bergerak atau Internet of Things (IoT) guna membantu petani dan pengelola perkebunan dalam identifikasi cepat dan akurat, sehingga dapat mengurangi kerugian dan mendukung penerapan pertanian presisi di Indonesia.

Sistem Pakar Diagnosis Awal Penyakit HIV Menggunakan Metode Forward Chaining (Studi Kasus: Kota Jayapura)

2025-10-06T00:10:25+07:00

Perkembangan teknologi informasi telah memberikan kontribusi besar dalam mendukung efisiensi pengolahan data dan pengambilan keputusan, termasuk di bidang kesehatan. Salah satu implementasi teknologi yang memiliki peran penting dalam dunia medis adalah sistem pakar, yaitu sistem berbasis komputer yang dirancang untuk meniru kemampuan dan pemikiran seorang pakar dalam menganalisis dan memberikan solusi terhadap suatu permasalahan tertentu. Penelitian ini berfokus pada pengembangan sistem pakar berbasis metode forward chaining untuk membantu proses diagnosis awal HIV (Human Immunodeficiency Virus) di Kota Jayapura, Provinsi Papua. Kota Jayapura menghadapi berbagai tantangan dalam hal diagnosis HIV, seperti terbatasnya jumlah tenaga medis, keterbatasan waktu layanan, serta gejala HIV yang tidak spesifik dan sulit dikenali secara dini. Selain itu, tingginya angka kasus HIV yang mencapai 3.206 pada tahun 2023 turut menambah beban kerja fasilitas kesehatan setempat. Faktor-faktor risiko utama yang dijadikan dasar dalam diagnosis sistem ini meliputi riwayat keluarga dengan HIV/AIDS, penggunaan narkotika dan zat adiktif (NAPZA), perilaku seksual berisiko seperti berganti-ganti pasangan, penggunaan alat tidak steril untuk tato, tindik, atau suntikan, serta hubungan seksual dengan pasangan yang telah terinfeksi. Sistem pakar yang dikembangkan menggunakan metode forward chaining, sebuah metode penalaran dari bawah ke atas yang dimulai dari fakta-fakta dasar (gejala) menuju kesimpulan akhir (diagnosa), berdasarkan aturan yang tersimpan dalam basis pengetahuan. Pengembangan sistem dilakukan dengan pendekatan Rational Unified Process (RUP), yang mencakup empat tahapan utama yaitu Inception, Elaboration, Construction, dan Transition. Penelitian ini saat ini berada pada tahap Construction, yang berfokus pada implementasi kode program, integrasi antar modul, serta pengujian fungsional menggunakan metode Blackbox. Hasil pengujian menunjukkan bahwa sistem telah berjalan sesuai dengan fungsinya, dari proses login hingga pemberian diagnosa berdasarkan gejala yang dimasukkan. Selain itu, pengujian akurasi yang dilakukan terhadap 15 data uji menghasilkan tingkat akurasi sebesar 100%, di mana semua hasil diagnosa yang diberikan sistem sesuai dengan keputusan pakar. Temuan ini menunjukkan bahwa sistem pakar yang dikembangkan tidak hanya berfungsi dengan baik dari sisi fungsionalitas, tetapi juga mampu memberikan hasil diagnosis yang akurat. Selain membantu tenaga medis dalam memberikan diagnosis awal secara cepat dan efisien, sistem ini juga berfungsi sebagai alat edukasi untuk meningkatkan kesadaran masyarakat mengenai gejala HIV. Namun demikian, ruang lingkup sistem ini terbatas pada diagnosis awal dan belum mencakup verifikasi melalui laboratorium maupun penanganan medis lanjutan. Akurasi diagnosis juga sangat bergantung pada kelengkapan dan keakuratan data gejala yang dimasukkan.

The Sistem Penjadwalan Matakuliah Menggunakan Metode Pewarnaan Graph Pada PRODI TI USN Papua

2025-10-06T00:38:17+07:00

Kemajuan teknologi informasi mendorong kebutuhan akan sistem yang cerdas dan efisien dalam menunjang operasional akademik di perguruan tinggi. Salah satu aktivitas penting adalah penjadwalan mata kuliah, yang di Program Studi Teknik Informatika Universitas Sepuluh Nopember Papua masih dilakukan secara manual. Pendekatan ini seringkali menimbulkan konflik jadwal antar mata kuliah, dosen, dan ruangan, serta tidak efisien dalam alokasi waktu dan sumber daya. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan mengembangkan sistem penjadwalan mata kuliah berbasis web menggunakan metode pewarnaan graf dan algoritma Welch–Powell. Metode pewarnaan graf memodelkan mata kuliah sebagai simpul dan potensi konflik sebagai sisi graf, sedangkan algoritma Welch–Powell digunakan untuk mengalokasikan slot waktu secara optimal dengan memprioritaskan simpul berderajat tinggi. Sistem dikembangkan menggunakan metodologi Rapid Application Development (RAD), yang meliputi tahap perencanaan kebutuhan, perancangan prototipe, pengembangan sistem, serta pengujian dan evaluasi. Hasil penelitian menunjukkan bahwa sistem yang dibangun mampu menyederhanakan proses penjadwalan secara signifikan dan mengurangi potensi konflik antar elemen penjadwalan. Sistem juga menyediakan fitur inisialisasi jadwal otomatis dan fleksibilitas bagi operator untuk melakukan penyesuaian ulang jadwal sesuai kebutuhan.

Perancangan dan Pengembangan Infrastruktur Continuous Integration / Continuos Deployment Menggunakan Jenkins dan Docker

2025-10-06T01:29:18+07:00

Software Development Life Cycle merupakan proses yang mencakup berbagai tahapan dalam pengembangan perangkat lunak, termasuk perencanaan, pengembangan, pengujian, dan perilisan. Dalam upaya meningkatkan efisiensi dan otomatisasi pada tahap pengujian serta pengiriman perangkat lunak, penelitian ini mengimplementasikan infrastruktur Continuous Integration / Continuous Deployment (CI/CD) menggunakan Jenkins dan Docker pada proyek berbasis Laravel. Metode yang digunakan adalah melibatkan perancangan pipeline otomatis, eksekusi build, pengujian, dan deployment, serta evaluasi performa infrastruktur. Hasil penelitian menunjukkan bahwa penerapan CI/CD mampu meningkatkan kecepatan pengembangan dan durasi pipeline kurang dari 10 menit. Selain itu, penggunaan Jenkins sebagai server CI/CD dan Docker sebagai lingkungan isolasi berhasil mengurangi inkonsistensi antara pengembangan, staging, dan produksi, memungkinkan deployment yang lebih andal dan minim kesalahan manusia. Namun, keterbatasan dalam pengujian unit dan staging masih menjadi tantangan dalam implementasi ini, sehingga diperlukan pengembangan lebih lanjut untuk memastikan validasi yang lebih menyeluruh sebelum aplikasi diterapkan di lingkungan produksi.

Sistem Pendukung Keputusan dalam Menentukan Cabang Usaha Tonik Markisa dengan Metode SAW di Kuningan

2025-10-06T06:43:19+07:00

Pemilihan lokasi cabang usaha baru merupakan keputusan strategis yang sering menghadapi kendala subjektivitas dan keterbatasan analisis kuantitatif. Penelitian ini bertujuan mengembangkan sistem pendukung keputusan menggunakan metode Simple Additive Weighting (SAW) untuk membantu perusahaan menentukan lokasi secara objektif dan terukur. Lima kriteria utama digunakan, yaitu harga, keamanan, keramaian, lokasi, dan luas tempat usaha, masing-masing dengan bobot berdasarkan tingkat kepentingannya. Sistem memproses data alternatif dan menghasilkan perangkingan, di mana lokasi A memperoleh nilai tertinggi (0,86), diikuti lokasi B (0,78) dan lokasi C (0,74), sehingga lokasi A direkomendasikan sebagai pilihan utama. Pengujian menunjukkan seluruh fungsi sistem berjalan sesuai kebutuhan pengguna, dengan tingkat akurasi dan keandalan yang baik. Fitur cetak laporan mendukung dokumentasi dan komunikasi hasil analisis. Implementasi sistem ini diharapkan meningkatkan efisiensi dan efektivitas pengambilan keputusan strategis dalam ekspansi usaha.

Analisis Kualitas SDM Kota Semarang Berdasarkan Pendidikan: Pemetaan Kecamatan dengan Metode ROC dan SAW

2025-10-06T09:06:05+07:00

Kota Semarang memiliki 16 kecamatan dengan karakteristik demografis yang beragam, namun hingga saat ini belum tersedia sistem klasifikasi data yang mampu secara objektif dan terukur menggambarkan distribusi kualitas sumber daya manusia (SDM) antar wilayah administratif. Kualitas SDM menjadi fondasi utama dalam mendorong pembangunan wilayah, terutama di kawasan perkotaan yang kompleks secara sosial-ekonomi. Penelitian ini bertujuan untuk memetakan kualitas SDM Kota Semarang berdasarkan jenjang pendidikan penduduk pada masing-masing kecamatan, guna memberikan gambaran menyeluruh mengenai potensi manusia di tiap wilayah. Pendekatan yang digunakan bersifat kuantitatif deskriptif dengan memanfaatkan data publik yang diperoleh dari situs resmi Dinas Kependudukan dan Pencatatan Sipil (Dispendukcapil) Kota Semarang. Data mencakup 16 kecamatan dengan indikator jenjang pendidikan mulai dari kategori belum sekolah, tidak tamat SD, tamat SD, SLTP, SLTA, hingga jenjang perguruan tinggi (D3, S1, S2, dan S3). Penentuan bobot tiap jenjang pendidikan dilakukan menggunakan metode Rank Order Centroid (ROC) yang mempertimbangkan skala prioritas secara konsisten tanpa pembandingan berpasangan. Selanjutnya, skor akhir tiap kecamatan dihitung menggunakan metode Simple Additive Weighting (SAW) untuk memperoleh nilai agregat terstandarisasi. Hasil analisis menunjukkan adanya ketimpangan kualitas SDM antar wilayah; Kecamatan Tembalang (A10) meraih skor tertinggi sebesar 1,050, diikuti Banyumanik (A11) dan Semarang Barat (A13), yang umumnya memiliki jumlah penduduk berpendidikan tinggi lebih besar dibandingkan wilayah lain. Sementara itu, skor terendah tercatat di Kecamatan Tugu (A16) sebesar 0,095, Semarang Tengah (A1) dengan 0,224, dan Semarang Timur (A3) sebesar 0,232. Ketimpangan ini menegaskan perlunya perhatian dari pembuat kebijakan untuk menyusun strategi penguatan SDM secara lebih merata dan berbasis data. Kombinasi metode ROC dan SAW terbukti efektif dalam menghasilkan klasifikasi wilayah berbasis multikriteria yang objektif, efisien, dan dapat direplikasi dalam konteks kebijakan pendidikan maupun pembangunan daerah. Temuan ini dapat dijadikan dasar untuk merumuskan intervensi yang lebih tepat sasaran, seperti pembangunan infrastruktur pendidikan tambahan, penyebaran beasiswa lokal, pelatihan vokasi, serta program pemberdayaan masyarakat berbasis potensi lokal. Namun demikian, keterbatasan studi ini terletak pada belum diperhitungkannya variabel non-pendidikan seperti tingkat pengangguran, garis kemiskinan, dan partisipasi pelatihan non-formal. Oleh karena itu, studi lanjutan disarankan untuk mengintegrasikan indikator sosial-ekonomi lainnya guna memperoleh pemetaan kualitas SDM yang lebih komprehensif. Selain itu, penerapan Geographic Information System (GIS) dapat memperkaya visualisasi spasial dan meningkatkan pemahaman hasil analisis secara lebih interaktif dan aplikatif bagi para pengambil kebijakan.

Analisis Sentimen Keberhasilan Aplikasi Meet You Dalam Memprediksi Siklus Menstruasi Menggunakan Metode Naive Bayes

2025-10-07T00:40:52+07:00

Aplikasi pemantau siklus menstruasi semakin banyak diminati di zaman digitalisasi kesehatan reproduksi. Aplikasi MeetYou merupakan salah satu aplikasi yang sering digunakan untuk meramalkan siklus menstruasi. Namun, masih sedikit penelitian yang mengevaluasi efektivitas aplikasi itu berdasarkan perasaan pengguna. Penelitian ini bertujuan untuk mempelajari respon pengguna mengenai efektivitas aplikasi MeetYou dalam memperkirakan siklus menstruasi dengan memanfaatkan algoritma Naive Bayes. Data penelitian dikumpulkan melalui web scraping dari ulasan pengguna aplikasi MeetYou di Google Play Store yang diperoleh dari 26 April 2024 sampai 17 Mei 2025 sejumlah 1000 data. Metode penelitian mencakup langkah-langkah pengumpulan data, pemilihan, pra-pemrosesan (pembersihan, pengubahan huruf besar kecil, tokenisasi, pemfilteran), transformasi, penambangan data menggunakan algoritma Naive Bayes Multinomial, dengan penilaian memakai confusion matrix untuk menilai akurasi, presisi, dan recall. Algoritma Naive Bayes dipilih karena kesederhanaan, efisiensi, dan kemampuannya yang unggul dalam mengklasifikasikan teks pada set data yang besar. Hasil penelitian mengungkapkan bahwa algoritma Naive Bayes berhasil dalam menganalisis sentimen dari ulasan pengguna aplikasi MeetYou dengan persentase ketepatan 80.67%. Data riset dibagi menjadi 80% data pelatihan dan 20% data pengujian, sehingga dapat memberikan masukan penting bagi pengembang untuk menambah kualitas layanan prediksi siklus menstruasi di waktu yang akan datang

Sistem Pakar Diagnosis Dini Penyakit Stunting pada Balita Menggunakan Metode Certainty Factor

2025-10-26T05:58:28+07:00

Tingginya prevalensi stunting pada balita di Indonesia menjadi isu serius yang perlu ditangani secara dini, mengingat dampaknya terhadap pertumbuhan fisik dan perkembangan kognitif anak. Penelitian ini bertujuan untuk mengembangkan sistem pakar berbasis web yang dapat membantu proses diagnosis awal stunting dengan memanfaatkan metode Certainty Factor (CF). Metode ini digunakan untuk mengukur tingkat keyakinan terhadap diagnosis berdasarkan kombinasi gejala yang diamati dan pengetahuan pakar. Hasil penelitian menunjukkan bahwa sistem ini mampu memberikan tingkat akurasi diagnosis sebesar 80% berdasarkan simulasi input gejala, meskipun belum dijelaskan secara rinci dalam naskah utama terkait proses validasi dan uji evaluasi sistem tersebut. Kontribusi utama dari penelitian ini adalah memberikan alternatif solusi berbasis teknologi informasi untuk mendeteksi gejala stunting secara dini dan meningkatkan kesadaran masyarakat terhadap pentingnya gizi seimbang. Keterbatasan dari penelitian ini terletak pada cakupan gejala yang masih terbatas dan kurangnya uji validitas sistem di lapangan, sehingga hasil yang diperoleh belum dapat digeneralisasi secara luas. Penelitian ini membuka peluang pengembangan sistem pakar yang lebih komprehensif dan teruji secara klinis pada tahap selanjutnya.