Jurnal Sistem dan Informatika (JSI)

Optimalisasi Rekayasa Lalu Lintas Melalui Teknologi Deteksi Objek

Roy Rudolf Huizen — 2024-05-31

Pertumbuhan populasi dan urbanisasi yang pesat telah menyebabkan peningkatan signifikan dalam jumlah kendaraan, terutama di daerah perkotaan. Kondisi ini memicu berbagai masalah lalu lintas, seperti kemacetan dan polusi udara, yang berdampak negatif pada kehidupan sosial dan ekonomi masyarakat. Untuk mengatasi tantangan ini, diperlukan pendekatan rekayasa lalu lintas berbasis teknologi yang cerdas dan efisien. Penelitian ini membandingkan tiga metode utama—Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF), Decision Tree, dan Random Forest—dalam memprediksi kemungkinan terjadinya kemacetan pada suatu jalan. Menggunakan dataset lalu lintas yang mencakup faktor-faktor seperti volume kendaraan, kecepatan rata-rata, dan kondisi cuaca, setiap metode dilatih dan diuji untuk mengklasifikasikan data lalu lintas menjadi kategori kemacetan atau tidak. Hasil penelitian menunjukkan bahwa Random Forest memiliki performa terbaik, dengan akurasi mencapai 91,06%, precision hingga 83,04%, recall sebesar 91,06%, dan F1-score tertinggi di antara metode yang diuji. Untuk SVM menunjukkan akurasi antara 89,52% hingga 90,04%, dan Decision Tree menunjukkan akurasi antara 87,03% hingga 87,39%. Random Forest menunjukkan keunggulan dalam memprediksi kemacetan lalu lintas dan dapat menjadi solusi andal untuk diterapkan dalam sistem rekayasa lalu lintas berbasis teknologi.

Pengenalan Aktivitas Manusia dengan Seleksi Fitur Analysis of Variance (ANOVA) dan Mutual Information (MI) pada Data Sensor Accelerometer Berbasis Machine Learning

Made Liandana — 2024-05-31

Pengenalan aktivitas manusia telah banyak dikembangkan untuk berbagai keperluan, seperti kesehatan, olahraga, hingga pengawasan lanjut usia. Penggunaan perangkat sensor menjadi salah satu pilihan dalam melakukan pengenalan aktivitas manusia. Sensor accelerometer adalah salah satu perangkat yang umum digunakan dalam pengenalan aktivitas. Data sensor ini memerlukan teknik dan algoritma yang tepat sehingga menghasilkan hasil pengenalan aktivitas yang sesuai. Penggunaan tradisional machine learning menjadi salah satu teknik yang dapat digunakan, teknik ini memerlukan proses ekstraksi fitur, dan seleksi fitur. Teknik seleksi fitur mana dan berapa jumlah fitur yang tepat untuk mendapatkan performa machine learning yang optimal perlu dilakukan investigasi lebih lanjut. Pada penelitian ini, dilakukan evaluasi terhadap kombinasi sejumlah fitur menggunakan algoritma machine learning: Extreme Gradient Boosting (XGB), Gradient Boosting (GBoost), Random Forest (RF), Decision Tree (DT), dan Support Vector Machine (SVM. Dataset publik yang digunakan yaitu FORTH-TRACE. Sensor yang digunakan adalah sensor accelerometer. Fitur yang digunakan meliputi nilai minimum, nilai maksimum, nilai rata-rata, nilai tengah, standar deviasi, dan nilai interkuartil. Sedangkan seleksi fitur yang digunakan adalah Analysis of Variance (ANOVA) dan Mutual Information (MI). Performa machine learning yang paling optimal ketika jumlah fitur 17 sampai dengan 18 fitur dengan akurasi 0,875, sedangkan performa machine learning paling optimal dicapai dengan menggunakan Extreme Gradient Boosting (XGB).

Analisis Performansi Parameter pada Arsitektur U-Net untuk Segmentasi Nukleus pada Citra Kanker Serviks

Desiana Wulaning Ayu — 2024-05-31

Pap Smear adalah salah satu metode untuk memeriksa sel-sel serviks. Sel-sel tersebut diperiksa dengan mikroskop untuk mengamati perubahan atau ketajaman sel epitel serviks sebagai tanda awal adanya keberadaan kanker. Namun, pemeriksaan Smear Pap secara manual memiliki beberapa kekurangan, yaitu membutuhkan waktu yang relatif lama dan peluang terjadinya kesalahan selama analisis besar karena bersifat subjektif. Namun, citra mikroskopis Pap Smear sulit untuk diinterpretasi, karena terdapat sel-sel yang berkelompok, tumpang tindih, adanya sel-sel inflamasi, bekas darah, kontras rendah, dan variasi dalam pencahayaan yang terjadi karena metode pewarnaan yang tidak konsisten seperti konsentrasi zat pewarna. Salah satu model dalam melakukan interpretasi citra adalah dengan segmentasi citra, maka penelitian ini berfokus pada pengembangan metode segmentasi menggunakan pendekatan model semantic segmentation U-Net dengan arsitektur dari Roonerberger. Penelitian ini menganalisis beberapa penggunaan hyperparameter untuk mengetahui performansi dari arsitektur model U-NET khususnya untuk mengsegmentasi AF. Adapun tuning hyperparameter terdapat pada optimizer, loss function, learning rate serta jumlah epoch. Performa terbaik U-Net dalam melakukan segmentasi cairan ketuban adalah dengan kombinasi parameter optimizer RMSprop, Loss function adalah Binary cross entropy, nilai learning rate 0.00001 dengan Epoch sebesar 31 dengan DSC sebesar 0.82 dan IoU sebesar 0.70, akurasi sebesar 0.8, presisi 0.78, recall 0.81.

Analisis Plugin QGIS2Web dalam Webmap Sarana Pendidikan di Kota Denpasar

I Gede Suardika — 2024-05-31

Informasi tentang fasilitas pendidikan sering kali tersebar dan tidak terintegrasi dengan baik. Webmap interaktif dapat menjadi solusi untuk masalah ini, membantu pemerintah dan lembaga terkait dalam merencanakan pembangunan atau peningkatan fasilitas secara merata. Sistem informasi geospasial yang akurat dan mudah diakses penting untuk berbagai keputusan, termasuk di bidang pendidikan. Webmap memungkinkan pengguna untuk berinteraksi dan mengeksplorasi informasi geospasial. Penelitian ini berfokus pada sarana pendidikan di Kota Denpasar, menggunakan plugin QGIS2Web pada perangkat lunak QGIS untuk mengembangkan webmap tersebut. Tiga webmap dibuat menggunakan library Leaflet, OpenLayers, dan MapBox, lalu dibandingkan dari segi perbedaan, kelebihan, kekurangan, visualisasi, dan fitur yang dihasilkan. Data mencakup 337 titik sarana pendidikan dengan atribut KATEGORI, NAMA_OBYEK, LINTANG, dan BUJUR. Penelitian ini menggunakan metode Literature Review, Data Collection, Pengembangan Webmap, Pengujian dan Analisis Webmap, serta Analisis Data dan Penarikan Kesimpulan. Hasil menunjukkan bahwa ketiga webmap memiliki tampilan yang mirip namun berbeda pada widget antarmuka. Plugin QGIS2Web mampu menghasilkan webmap dengan fitur zoom, geolokasi, pengukuran jarak, kolom pencarian, reset, dan popup. Namun, kekurangannya terletak pada ketiadaan halaman web, sehingga memerlukan program lain untuk publikasi webmap di internet.

Sistem Monitoring Kondisi AC untuk Menentukan Waktu Servis Menggunakan Algoritma K-Nearest Neighbor

I Made Mika Parwita — 2024-05-31

Air Conditioner (AC) merupakan perangkat penting di wilayah beriklim panas untuk menjaga kenyamanan termal, mengurangi suhu, dan mengontrol kelembapan. Pengoperasiannya melibatkan proses pemindahan panas dari dalam ke luar ruangan melalui beberapa komponen utama, seperti evaporator, kompresor, kondensor, dan katup ekspansi. Agar AC bekerja optimal, perawatan rutin pada komponen seperti evaporator dan filter udara diperlukan. Perawatan berkala ini membantu menjaga efisiensi pendinginan serta kualitas udara dalam ruangan, meskipun terkadang perawatan dilakukan saat kondisi AC masih optimal, yang meningkatkan biaya. Penelitian ini mengembangkan alat monitoring berbasis sensor suhu dan kelembapan yang dipasang di dalam dan di luar ruangan, untuk memantau kinerja AC secara lebih akurat. Alat ini juga mengumpulkan data pengaturan AC seperti mode, suhu, dan fan speed. Data tersebut dikirim dan diolah di web server yang akan mengirimkan notifikasi jika terjadi anomali. Sistem ini juga menyalakan LED sebagai indikasi perawatan AC diperlukan, sehingga perawatan dilakukan secara tepat waktu. Sistem monitoring kondisi AC berhasil diimplementasikan dan diuji dengan baik. Sistem ini mampu mendeteksi anomali, memberikan notifikasi perawatan, serta mengirimkan data secara real-time. Implementasi teknologi Internet of Things (IoT) menggunakan algoritma K-Nearest Neighbor (KNN) memungkinkan pemantauan kondisi AC yang lebih efisien dan tepat waktu.

Prediksi Suhu AC Berdasarkan Riwayat Data Suhu dan Kelembapan Udara Menggunakan Regresi Linier Berganda

Ni Made Ayu Juli Astari — 2024-05-31

Kondisi dalam ruangan memiliki dampak besar terhadap kenyamanan penghuni, termasuk di ruang kerja, ruang istirahat, atau kamar tidur. Faktor-faktor seperti pencahayaan, suhu, kelembaban, sirkulasi udara, kebisingan, getaran mesin, aroma, tata warna, dekorasi, musik, dan keamanan berperan penting dalam menciptakan lingkungan yang ideal. Di Indonesia, khususnya, suhu ruangan menjadi perhatian utama karena berada di zona tropis dengan tingkat kelembapan yang tinggi. Alat yang sering digunakan untuk mengatur suhu ruangan adalah AC. Untuk mengatasi hal ini, pengaturan suhu atau penggunaan AC diperlukan untuk mencapai kondisi ruangan yang optimal. Namun penentuan suhu yang ideal tidak selalu mencerminkan suhu aktual di ruangan karena banyak faktor yang memengaruhi. Oleh karena itu, diperlukan sistem yang mampu memprediksi suhu AC untuk menjaga stabilitas suhu ruangan dan mengoptimalkan penggunaan energi. Penelitian ini melakukan prediksi suhu AC menggunakan regresi linier berganda. Berdasarkan model regresi yang dibentuk, prediksi suhu AC berhasil dilakukan yang dievaluasi menggunakan metrik MAPE dengan nilai sebesar 4.33%.

Performansi Seleksi Fitur pada Metode Multi Klasifikasi untuk Deteksi Dini Autisme Berbasis Citra Wajah Anak

Gede Angga Pradipta — 2024-05-31

Deteksi dini terhadap gangguan spektrum autisme (ASD) pada anak sangat penting untuk memberikan intervensi dan terapi tepat waktu. Deteksi dini secara tepat dapat membantu meningkatkan kualitas hidup anak yang terindikasi ASD. Metode pendekatan deteksi dapat dilakukan dengan observasi klinis dan kuesioner psikologi, tetapi metode ini sering kali subjektif dan membutuhkan waktu dalam mengetahui hasilnya. Sehingga dengan melihat permasalahan yang ada, maka penelitian ini bertujuan bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi berbasis multi-klasifikasi dan metode seleksi serta jumlah fitur pada citra wajah untuk mendeteksi secara dini pada ASD. Hasil pengujian menunjukkan perpaduan metode klasifikasi logistik regresi dengan seleksi fitur ANOVA dengan menggunakan 150 fitur menghasilkan performansi terbaik dari sisi akurasi sebesar 0.9688, presisi sebesar 0.9687, dan recall sebesar 0.9688, dibandingkan dengan penggunaan metode seleksi fitur Information Gain. Hasil pengujian menunjukkan metode Logistic Linear Regression memiliki keunggulan dalam melakukan klasifikasi pada kelas biner dengan fitur yang terbatas.

SqueezeNet Feature Extraction dan Gradient Boosting untuk Klasifikasi Penyakit Monkeypox pada Citra Kulit

Desiana Wulaning Ayu — 2024-05-31

Pada tahun 2022 WHO menerima laporan dari negara-negara non-endemik tentang kasus penyakit monkeypox (cacar monyet). Saat ini, terdapat 12 negara non-endemik di tiga wilayah WHO yaitu Eropa, Amerika, dan Pasifik Barat yang dilaporkan telah terjangkit virus cacar monyet. Monkeypox menunjukkan gejala serupa dengan cacar tetapi dengan tingkat keparahan yang berbeda, memerlukan identifikasi dan penanganan yang cepat untuk mencegah penularan lebih lanjut. Identifikasi penyakit monkeypox secara cepat dan akurat dapat dilakukan dengan pendekatan kecerdasan buatan yaitu model machine learning. Salah satu metode yang dapat digunakan untuk melakukan analisis data citra medis adalah metode Gradient Boosting. Penelitian ini mengembangkan konsep model klasifikasi penyakit monkeypox dengan menerapkan arsitektur Deep Learning, yaitu SqueezNet + chi-square, tiga metode Gradient Boosting sebagai metode klasifikasi. Hasil eksperimen menunjukkan kombinasi model SqueezNet + chi-square + XGBoost menghasilkan performansi yang lebih baik dari kombinasi dua model yang lain, dengan akurasi sebesar 0.943, presisi sebesar 0.942, dan AUC sebesar 0.987.

Model Ekstraksi Fitur Berbasis Tekstur untuk Identifikasi Keaslian Objek

Florentina Tatrin Kurniati — 2024-05-31

Identifikasi keaslian objek merupakan aspek penting dalam berbagai sektor, termasuk keamanan dan perdagangan, guna mencegah kerugian finansial dan reputasi akibat pemalsuan. Penelitian ini mengembangkan model klasifikasi berbasis tekstur dengan menggunakan metode Decision Tree dan Logistic Regression untuk membedakan antara objek asli dan palsu. Model ini memanfaatkan Gray Level Co-occurrence Matrix (GLCM) untuk ekstraksi fitur tekstur, yang kemudian diklasifikasi menggunakan kedua metode tersebut. Hasil evaluasi menunjukkan bahwa Decision Tree memiliki kinerja yang lebih unggul dibandingkan Logistic Regression, dengan akurasi sebesar 96.37%, recall 97.67%, dan F1 score 94.92%, menjadikannya lebih efektif dalam mendeteksi keaslian objek. Sementara itu, Logistic Regression mencapai presisi lebih tinggi, yaitu 98.15%, namun mengalami penurunan performa dalam recall dan F1 score. Berdasarkan hal tersebut Decision Tree menunjukkan keseimbangan yang lebih baik antara berbagai metrik evaluasi dan lebih cocok untuk identifikasi keaslian objek.

Analisis dan Evaluasi Sistem E-Learning Menggunakan Metode Analytical Hierarchy Process (AHP)

Edwar Edwar — 2024-05-31

E-learning merupakan media pembelajaran yang mulai digunakan di berbagai perguruan tinggi. Sistem e-learning telah menjadi bagian integral dari pendidikan modern, memfasilitasi akses pendidikan yang fleksibel dan terjangkau. Namun, dengan banyaknya platform e-learning yang tersedia, pemilihan sistem yang sesuai dengan kebutuhan dan preferensi pengguna menjadi semakin penting. Penelitian ini bertujuan untuk melakukan analisis dan evaluasi sistem e-learning dengan menggunakan metode Analytical Hierarchy Process (AHP). Metode AHP digunakan untuk membantu pengambil keputusan dalam memilih sistem e-learning yang paling sesuai berdasarkan kriteria-kriteria tertentu. Pertama, dilakukan identifikasi kriteria yang relevan, seperti ketersediaan konten, kegunaan antarmuka pengguna, fleksibilitas waktu, dukungan teknis, dan lain-lain. Selanjutnya, para responden yang terdiri dari mahasiswa, pengajar, dan administrator sistem e-learning diminta untuk memberikan penilaian relatif terhadap setiap kriteria dan alternatif sistem e-learning yang dipertimbangkan. Hasil penelitian ini adalah untuk memberikan kontribusi bagi pengembangan sistem e-learning dengan menyediakan pendekatan yang sistematis dalam analisis dan evaluasi. Tujuan dari penelitian ini adalah untuk mengevaluasi e-learning untuk mengetahui seberapa efektif itu bagi mahasiswa. Hasil dari Analytical Hierarchy Process (AHP) yang kami gunakan untuk mengevaluasi menunjukkan bahwa siswa masih lebih suka belajar secara online daripada tatap muka. Ini karena materi di E-learning lebih mudah diserap dan interaksi dengan dosen lebih kuat.

E-modul untuk Online Learning Berbasis Learning Management System (LMS) Moodle

Ni Nyoman Supuwiningsih — 2024-05-31

Tujuan dari penelitian ini adalah mengembangkan produk e-modul untuk perkuliahan online dengan menggunakan software moodle sebagai salah satu aplikasi Learning Management System (LMS) dengan karakteristik interaktif, menarik dan menyenangkan Metode penelitian untuk pengembangan e-modul menggunakan model ADDIE yang terdiri dari tahapan Analysis, Design. Development, Implementation and Evaluation. Teknik pengumpulan data menggunakan kuesioner dengan skala likert. Hasil penelitian ini adalah berupa e-modul yang telah diuji coba oleh dosen pengampu mata kuliah Sistem Informasi Geografis dengan menggunakan kuesioner, skala likert untuk pilihan jawaban dengan nilai 87 % yang dinyatakan bahwa e-modul sangat baik digunakan sebagai media pembelajaran. Uji coba kedua oleh mahasiswa dengan menjawab pertanyaan dengan hasil rata-rata persentase 88 % berdasarkan tabel kategori dinyatakan bahwa e-modul sangat baik untuk digunakan sebagai media pembelajaran.

Analisis Perbandingan Metode Seleksi Fitur pada Model Klasifikasi Decission Tree untuk Deteksi Serangan di Jaringan Komputer

Eva Hariyanti — 2024-05-31

Perkembangan informasi dan teknologi memerlukan teknik pengamanan yang tepat. Potensi terjadinya kebocoran data dan informasi di era digital sangat tinggi apabila tidak ditangani dengan serius. Beberapa serangan berbahaya yang terjadi adalah spam, Denial of Service Attack, ARP Poisoning, SQL Injection, U2L, R2L dan Probing. Penelitian sebelumnya telah mengenalkan pendekatan deteksi serangan berbahaya seperti menggunakan klasifikasi, klusterisasi dan analisis statistik. Namun analisis penggunaan fitur terbaik perlu dilakukan untuk mendapatkan hasil model klasifikasi yang optimal. Pada penelitian ini, menganalisis dan mencari metode seleksi fitur terbaik yang dapat diimplementasikan pada model klasifikasi berbasis machine learning untuk mendeteksi serangan di jaringan. Dataset yang digunakan adalah UNSW-NB15, dan dilakukan beberapa proses seperti data transformasi, Data normalisasi, seleksi Fitur dan Klasifikasi. Perbandingan teknik seleksi fitur yang digunakan antara lain ANOVA, UNIVARIATE dan ChiSquare. Tujuan penelitian ini adalah untuk meningkatkan akurasi, precision dan recall pada model klasifikasi Decision Tree. Hasil penelitian pengujian menunjukkan bahwa metode seleksi fitur terbaik dalam model klasifikasi adalah metode ANOVA dengan hasil nilai Area Under Curve sebesar 0.989, nilai F1-score adalah 0.999, akurasi deteksi adalah 0.999, nilai precission adalah 0.999 dan recall adalah 0.999. Hasil penelitian ini dapat digunakan untuk menyempurnakan model Intrusi Detection System berbasis machine learning.