Abstract:Abstract: The development of information technology has begun to enter the world of education, especially universities, one of which is the academic information system because with this system it greatly influences the learning…
earning process and also in the delivery of information. A web-based academic information system is very adequate, but there are several obstacles such as in learning that does not require a laptop device, it will be very disruptive if the implementation of attendance and others is done on a mobile phone but with a web view. So this research aims to design a mobile-based UI/UX academic information system application with the hope that it can be an alternative in accessing the use of academic information systems for lecturers and students can also be accessed anytime and anywhere through mobile phones with a comfortable display. This study also tested the UI/UX design prototype to assess its feasibility. This test uses the system usability scale (SUS) method with a convident interval validation of 95% to determine the lower and upper limits of the SUS value. For the final score of SUS obtained was 78.75, and in the 95% CI test a Lower CI of 66.27 was produced, and for the Upper CI of 91.23 so that it was given a grade of B. It can be concluded that the design developed in this study is worthy of further development.
Keywords: academic information systems; design thinking; system usability scale
Abstrak: Perkembangan teknologi informasi sudah mulai masuk kedalam dunia pendidikan terutama perguruan tinggi, salah satunya sistem informasi akademik karena dengan adanya sistem ini sangat mempengarusi proses pembelajaran dan juga dalam penyampaian informasi. Sistem informasi akademik berbasis web sudah sangat memadai namun ada beberapa kendala seperti dalam pembelajaran yang tidak memerlukan perangkat laptop akan sangat menganggu jika pelaksanaan absensi dan lainya dilakukan pada ponsel tapi dengan tampilan web. Sehingga penelitian ini bertujuan untuk merancang UI/UX aplikasi sistem informasi akademik berbasis mobile dengan harapan dapat menjadi alternatif dalam akses penggunaan sistem informasi akademik bagi dosen dan mahasiswa juga dapat diakses kapan saja dan dimana saja melalui ponsel dengan tampilan yang nyaman. Penelitian ini juga melakukan pengujian terhadap prototype desain UI/UX untuk menilai kelayakannya. Pengujian ini menggunaka metode system usability scale (SUS) dengan validasi convident interval 95% untuk mengetahui batas bawah dan batas atas nilai SUS. Untuk nilai akhir SUS yang didapatkan adalah 78,75, dan dalam pengujian CI 95 % dihasilkan CI Lower 66,27, dan untuk CI Upper 91,23 Sehingga mendapat grade B. Dapat disumpulkan bahwa desain yang dikembangkan dalam penelitian ini layak untuk dikembangkan lebih lanjut.
Kata kunci: sistem informasi akademik; desain thinking; system usability scale
Abstract:Abstract: Rehabilitation programs are essential in correctional systems to equip inmates with the skills and behavioral readiness required for social reintegration. However, rehabilitation program assignment in many correctional…
ectional institutions remains dependent on manual and subjective assessments, which may result in inconsistent decisions. This study develops a Random Forest–based prediction system to support objective and data-driven rehabilitation program determination. A quantitative approach was applied using historical inmate data from January 2023 to January 2025, comprising 2,023 records. The research process included data preprocessing, an 80:20 training–testing split, model training, and performance evaluation using accuracy, precision, recall, and F1-score metrics. The results show that the model achieved an accuracy of 86.17% during training in Google Colab and 68.83% when deployed within the application system. This performance gap reflects real-world deployment and computational constraints rather than model failure. The proposed system provides consistent and objective rehabilitation program recommendations, thereby supporting more effective rehabilitation planning and decision-making in correctional institutions.
Keywords: correctional institutions; inmate rehabilitation programs; machine learning; random Forest; prediction system
Abstrak: Program pembinaan narapidana memiliki peran penting dalam sistem pemasyarakatan untuk membekali warga binaan dengan keterampilan serta kesiapan perilaku dalam proses reintegrasi ke masyarakat. Namun, pada banyak lembaga pemasyarakatan, penentuan program pembinaan masih bergantung pada penilaian manual yang bersifat subjektif, sehingga berpotensi menimbulkan ketidakkonsistenan dalam pengambilan keputusan. Penelitian ini mengembangkan sistem prediksi program pembinaan narapidana berbasis algoritma Random Forest guna mendukung pengambilan keputusan yang objektif dan berbasis data. Pendekatan kuantitatif diterapkan menggunakan data historis narapidana periode Januari 2023 hingga Januari 2025 sebanyak 2.023 data. Tahapan penelitian meliputi prapemrosesan data, pembagian data latih dan uji dengan rasio 80:20, pelatihan model, serta evaluasi performa menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model mencapai akurasi sebesar 86,17% pada tahap pelatihan di Google Colab dan 68,83% saat diimplementasikan pada sistem aplikasi. Perbedaan performa tersebut mencerminkan keterbatasan lingkungan operasional, bukan kegagalan model. Secara keseluruhan, sistem yang dikembangkan mampu memberikan rekomendasi program pembinaan yang lebih objektif dan konsisten, sehingga mendukung perencanaan pembinaan yang lebih efektif.
Kata kunci: mesin pembelajaran; program pembinaan narapidana; random Forest; sistem pemasyarakatan; sistem prediksi
Abstract:Abstract: Asthma is a chronic respiratory disease that affects millions of people worldwide, making early detection crucial to prevent complications. This study aims to compare the performance of the Decision Tree and Random…
ndom Forest algorithms in classifying asthma based on clinical symptom data. The data were processed through feature selection and model training stages, then evaluated using accuracy, precision, recall, and F1-score.The experimental analysis revealed that the Random Forest algorithm surpassed the Decision Tree in all metrics, achieving 95.19% accuracy, 90.43% precision, 95.00% recall, and 93.00% F1-score. In contrast, the Decision Tree obtained 89.14% accuracy, 90.60% precision, 88.70% recall, and 89.70% F1-score. These results suggest that Random Forest is more robust and dependable, especially in managing complex and imbalanced medical datasets.
Keywords: asthma detection; decision tree; random forest; machine learning.
Abstrak: Asma merupakan penyakit pernapasan kronis yang memengaruhi jutaan orang di seluruh dunia sehingga deteksi dini sangat penting untuk mencegah komplikasi. Penelitian ini bertujuan membandingkan kinerja algoritma Decision Tree dan Random Forest dalam mengklasifikasikan asma berdasarkan data gejala klinis. Data diproses melalui tahapan seleksi fitur dan pelatihan model, kemudian dievaluasi menggunakan akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 90.43%, presisi 95.00%, recall 95.00%, dan F1-score 93.00%. Sebaliknya, Decision Tree memperoleh akurasi 89.14%, presisi 90.60%, recall 88.70%, dan F1-score 89.70%. Hasil ini menunjukkan bahwa Random Forest lebih kuat dan dapat diandalkan, terutama dalam mengelola kumpulan data medis yang kompleks dan tidak seimbang.
Kata kunci: deteksi asma; decision tree; random forest; pembelajaran mesin.
Abstract:Abstract: Stroke is one of the leading causes of death and disability in various parts of the world, including in Indonesia. Along with the development of digital technology, the use of Machine Learning in the health sector…
tor is growing, one of which is in an effort to predict the occurrence of stroke. This study aims to implement the Logistic Regression algorithm in predicting the likelihood of a person having a stroke based on data from the Brain Stroke dataset. The research process includes data preprocessing (missing value handling, normalization, and label encoding), dividing the data into 80% training data and 20% test data, as well as model training. The model was then evaluated using several measures such as accuracy, precision, recall, F1-score, and ROC-AUC, as well as a confusion matrix. The results of the study showed that Logistic Regression was able to provide stroke classification results with an accuracy of 82.4%, precision of 80.1%, recall of 78.6%, F1-score of 79.3%, and a ROC-AUC value of 0.87. Then, the model is integrated into applications that use Streamlit, so it can be used interactively to predict stroke risk in new data. The results of this study show that the combination of Machine Learning and web-based applications has the potential to support efforts to detect early stroke risk.
Keywords: logistic regression; machine learning; prediction; streamlit; stroke.
Abstrak: Stroke adalah salah satu penyebab utama kematian dan kecacatan di berbagai belahan dunia, termasuk di Indonesia. Seiring perkembangan teknologi digital, penggunaan Machine Learning dalam bidang kesehatan semakin berkembang, salah satunya dalam upaya memprediksi terjadinya penyakit stroke. Penelitian ini bertujuan untuk mengimplementasikan algoritma Logistic Regression dalam memprediksi kemungkinan seseorang mengalami stroke berdasarkan data dari dataset Brain Stroke. Proses penelitian meliputi preprocessing data (penanganan missing value, normalisasi, dan label encoding), membagi data menjadi 80% data latih dan 20% data uji, serta pelatihan model. Model kemudian dievaluasi menggunakan beberapa ukuran seperti akurasi, precision, recall, F1-score, dan ROC-AUC, serta confusion matrix. Hasil penelitian menunjukkan bahwa Logistic Regression mampu memberikan hasil klasifikasi penyakit stroke dengan akurasi sebesar 82,4%, precision 80,1%, recall 78,6%, F1-score 79,3%, dan nilai ROC-AUC sebesar 0,87. Kemudian, model tersebut diintegrasikan ke dalam aplikasi yang menggunakan Streamlit, sehingga dapat digunakan secara interaktif untuk memprediksi risiko stroke pada data baru. Hasil penelitian ini menunjukkan bahwa kombinasi Machine Learning dan aplikasi berbasis web berpotensi mendukung upaya deteksi dini risiko stroke.
Kata kunci: logistic regression; machine learning; prediksi; streamlit; stroke.
Abstract:Abstract: This study applies an integrated approach to optimize heart failure classification. The main objective is to address the challenge of class imbalance in medical datasets and to improve the accuracy, sensitivity,…
, and generalization of the classification model. The urgency of this issue is emphasized by statistics showing that cardiovascular diseases cause approximately 17.9 million deaths worldwide each year. Using a quantitative experimental approach, this study analyzes the "Heart Failure Prediction Dataset" from Kaggle, which consists of 918 records. The data were processed through normalization and encoding, followed by the application of SMOTE on the training set to balance class distribution. This step successfully increased model accuracy from 88.41% to 90.22% and minority class recall from 0.82 to 0.88. Furthermore, Bayesian Optimization was employed to refine the hyperparameters of SVM, resulting in a final model with an accuracy of 89.13% that demonstrated better generalization. This integrated approach significantly enhances the stability, sensitivity, and generalization of the model, making it a reliable tool for clinical decision support systems in predicting heart failure.
Keywords: bayesian optimization; heart failure; machine learning; SMOTE; SVM.
Abstrak: Penelitian ini menerapkan pendekatan terintegrasi untuk mengoptimalkan klasifikasi gagal jantung. Tujuan utama studi ini adalah untuk mengatasi tantangan ketidakseimbangan kelas dalam dataset medis dan meningkatkan akurasi, sensitivitas, serta generalisasi model klasifikasi. Urgensi ini ditegaskan oleh statistik yang menunjukkan bahwa penyakit kardiovaskular menyebabkan sekitar 17,9 juta kematian setiap tahun secara global. Menggunakan pendekatan eksperimental kuantitatif, penelitian ini menganalisis "Heart Failure Prediction Dataset" dari Kaggle, yang terdiri dari 918 catatan. Data diproses dengan normalisasi dan encoding, lalu SMOTE diterapkan pada data pelatihan untuk menyeimbangkan distribusi kelas. Langkah ini berhasil meningkatkan akurasi dari 88,41% menjadi 90,22% dan recall kelas minoritas dari 0,82 menjadi 0,88. Selanjutnya, Bayesian Optimization menyempurnakan hyperparameter SVM, menghasilkan model akhir dengan akurasi 89,13% yang menunjukkan generalisasi lebih baik. Pendekatan terintegrasi ini secara signifikan meningkatkan stabilitas, sensitivitas, dan generalisasi model. Hasil penelitian ini menjadikannya alat yang andal untuk sistem pendukung keputusan klinis dalam prediksi gagal jantung.
Kata kunci: bayesian optimization; gagal jantung; machine learning; SMOTE; SVM
Abstract:Abstract: In the business world, supplier selection plays a crucial role in ensuring smooth company operations. Suppliers are responsible for providing raw materials with consistent quality, timely delivery, and competitive…
ive prices. The supplier selection process requires evaluation based on various criteria such as product quality, availability, packaging, price, and warranty. Currently, SNM Store places orders by contacting suppliers one by one via telephone to inquire about item availability. This method is time-consuming and may lead to delays in fulfilling item requirements. To address this issue, a Decision Support System (DSS) is needed to assist in efficiently determining the best supplier. One method that can be used in this system is MOORA (Multi-Objective Optimization on the Basis of Ratio Analysis). MOORA is known to be effective in handling multi-criteria decision-making by simultaneously optimizing multiple objectives. This method also reduces subjectivity by assigning weights to each criterion and uses simple and fast calculations to evaluate the available alternatives. The objectives of this research are to identify the key criteria in supplier selection, apply the MOORA method in an efficient and user-friendly evaluation and selection process, and improve the operational efficiency of SNM Store in procurement so that item availability can be ensured in a timely manner.
Keywords: decision support system ; MOORA; supplier
Abstrak: Dalam dunia bisnis, pemilihan supplier memegang peranan penting dalam memastikan kelancaran operasional perusahaan. Supplier bertanggung jawab menyediakan bahan baku dengan kualitas konsisten, pengiriman tepat waktu, dan harga kompetitif. Proses seleksi supplier memerlukan evaluasi terhadap berbagai kriteria seperti kualitas produk, ketersediaan, pengemasan, harga, dan garansi. Toko SNM saat ini melakukan pemesanan dengan menghubungi supplier satu per satu melalui telepon untuk menanyakan ketersediaan barang. Metode ini memakan waktu dan dapat menyebabkan keterlambatan dalam pemenuhan kebutuhan barang. Untuk mengatasi hal tersebut, diperlukan sistem pendukung keputusan (Decision Support System) yang dapat membantu dalam menentukan supplier terbaik secara efisien. Salah satu metode yang dapat digunakan dalam sistem ini adalah MOORA (Multi-Objective Optimization on the Basis of Ratio Analysis). MOORA dikenal efektif dalam menangani keputusan multi-kriteria dengan mengoptimalkan berbagai tujuan secara bersamaan. Metode ini juga mengurangi subjektivitas melalui pemberian bobot pada tiap kriteria dan menggunakan perhitungan yang sederhana serta cepat dalam mengevaluasi alternatif yang tersedia. adapun tujuan dari penelitian ini adalah untuk mengidentifikasi kriteria-kriteria penting dalam pemilihan supplier, menerapkan metode MOORA dalam proses evaluasi dan seleksi yang efisien dan mudah digunakan, serta meningkatkan efisiensi operasional Toko SNM dalam hal pengadaan barang agar ketersediaan barang dapat terjamin tepat waktu.
Kata kunci: MOORA; sistem penunjang keputusan; supplier;
Abstract:Abstract: Face recognition based on deep learning has become an important technology in many areas. However, these systems often face challenges in real-world conditions, such as when the face is partially covered by accessories…
essories such as masks or glasses. This study aims to evaluate the effect of data augmentation by adding facial accessories (masks, glasses, and a combination of both) and geometric augmentation on the accuracy of face recognition systems. There are three types of datasets used in this method: the original dataset (category 1), the dataset with facial accessories augmentation (category 2), and the dataset with geometric augmentation (category 3). Data augmentation was performed on the training dataset to increase diversity, followed by the face detection process using SCRFD and feature extraction with ArcFace. The model was then trained using Multi-Layer Perceptron (MLP). Based on the results, adding face accessories (category 2) made the model a lot more accurate, hitting 99% accuracy. In category 3, adding geometric features improved accuracy to 91%. Other evaluation metrics, such as precision, recall, and F1-score, also showed improvement after augmentation. This study concludes that facial accessories augmentation is more effective in improving the accuracy and robustness of face recognition models compared to geometric augmentation.
Keywords: augmentation; deep learning; face recognition; glasses.
Abstrak: Pengenalan wajah berbasis deep learning telah menjadi salah satu teknologi penting dalam berbagai aplikasi. Namun, sistem ini sering kali menghadapi tantangan dalam kondisi dunia nyata, seperti saat wajah tertutup sebagian oleh aksesori seperti masker atau kacamata. Penelitian ini bertujuan untuk mengevaluasi pengaruh augmentasi data dengan menambahkan aksesori wajah (masker, kacamata, dan kombinasi keduanya) serta augmentasi geometris terhadap akurasi sistem pengenalan wajah. Metode yang digunakan melibatkan tiga kategori dataset: dataset asli tanpa augmentasi (kategori 1), dataset dengan augmentasi aksesoris wajah (kategori 2), dan dataset dengan augmentasi geometris (kategori 3). Augmentasi data dilakukan pada dataset pelatihan untuk meningkatkan keberagaman, diikuti dengan proses deteksi wajah menggunakan SCRFD dan ekstraksi fitur dengan ArcFace. Model kemudian dilatih menggunakan Multi-Layer Perceptron (MLP). Hasil penelitian menunjukkan bahwa augmentasi aksesoris wajah (kategori 2) memberikan peningkatan signifikan pada akurasi model, mencapai 99%, sedangkan kategori 3 dengan augmentasi geometris mencapai akurasi 91%. Metrik evaluasi lainnya, seperti precision, recall, dan F1-score, juga menunjukkan peningkatan setelah augmentasi. Penelitian ini menyimpulkan bahwa augmentasi aksesoris wajah lebih efektif dalam meningkatkan akurasi dan ketahanan model pengenalan wajah dibandingkan dengan augmentasi geometris.
Kata kunci: augmentasi; deep learning; kacamata; pengenalan wajah.
Abstract:Abstract: Face detection remains a challenging task in computer vision due to real-world factors such as uneven lighting, varying viewpoints, distance, and occlusion. This study aims to develop and evaluate a real-time facial…
acial feature detection application (detecting face, eyes, nose, and mouth) using MATLAB and a webcam. Detection is performed using the Viola-Jones Cascade Classifier method through the vision.CascadeObjectDetector function. Key parameters that were adjusted include the MergeThreshold (ranging from 4 to 50 depending on the feature) and MinSize (based on estimated feature size within the frame). However, this study does not include tuning of other parameters such as FalseAlarmRate, which constitutes a limitation of the employed method. The adjustment of these parameters proved significant in improving detection accuracy and robustness under varying lighting conditions. Nevertheless, the system still encounters difficulties in detecting facial features in the presence of occlusion. This study also has the potential to serve as a foundation for further developments in face recognition, emotion detection, or biometric authentication.
Keywords: computer vision; haar cascade; MATLAB
Abstrak: Deteksi wajah merupakan tantangan dalam visi komputer karena dipengaruhi oleh kondisi nyata seperti pencahayaan tidak merata, sudut pandang, jarak, dan obstruksi. Penelitian ini bertujuan untuk mengembangkan dan menguji aplikasi deteksi fitur wajah secara real-time (wajah, mata, hidung, dan mulut) menggunakan MATLAB dan kamera webcam. Deteksi dilakukan dengan metode Viola-Jones Cascade Classifier melalui fungsi vision.CascadeObjectDetector. Parameter penting yang disesuaikan adalah MergeThreshold (antara 4 hingga 50 tergantung fitur), MinSize (mengikuti estimasi ukuran fitur dalam frame). Namun, penelitian ini tidak mencakup penyesuaian parameter lain seperti FalseAlarmRate, yang menjadi salah satu keterbatasan metode yang digunakan. Penyesuaian parameter ini terbukti signifikan dalam meningkatkan akurasi deteksi dan ketahanan terhadap variasi kondisi pencahayaan. Namun, sistem masih mengalami kesulitan mendeteksi fitur wajah jika terjadi obstruksi. Penelitian ini juga berpotensi menjadi dasar untuk pengembangan lebih lanjut dalam face recognition, emotion detection, atau biometric authentication.
Kata kunci: visi computer; haar cascade; MATLAB
Abstract:Abstract: Both hardware and software technologies offer their advantages in helping to facili- tate student learning activities. Virtual reality technology allows users to interact directly with the virtual reality environment,…
ironment, giving the effect of a pleasant learning sensation because it pro- vides direct experience for students to actively do desktop computer assembly practicum inde- pendently and guided. This research is R & D (Research and Development), which aims to pro- duce a product as a desktop computer assembly virtual reality learning application. This re- search procedure adapts the Lee & Owens development model. The subjects of this research were students at the Open University, Makassar State University, and Lambung Mangkurat University. The results showed that using Virtual Reality in desktop computer assembly can provide extraordinary experiences to users, bridging the gap between the real and virtual worlds. This is achieved through specially designed hardware to create a virtual environment that re- sembles the actual reality or even creates an entirely new reality.
Keywords: desktop computer; assembly; virtual reality
Abstrak: Teknologi perangkat keras (hardware) maupun lunak (software) menawarkan keunggulannya dalam membantu memfasilitasi aktivitas belajar dan pembelajaran ma- hasiswa. Teknologi virtual reality memiliki kemampuan bagi penggunanya untuk dapat melakukan interaksi langsung dengan lingkungan realitas maya, memberi efek sensasi pembelajaran yang menyenangkan karena memberikan pengalaman langsung bagi ma- hasiswa untuk aktif melakukan pratikum perakitan computer desktop secara mandiri maupun terbimbing. Penelitian ini adalah R & D (Research and Development) yang ber- tujuan untuk menghasilkan suatu produk yaitu berupa aplikasi pembelajaran virtual real- ity perakitan computer desktop. Prosedur penelitian ini mengadaptasi model pengem- bangan Lee & Owens. Subjek penelitian ini adalah mahasiswa pada Universitas Ter- buka, Universitas Negeri Makassar, dan Unibversitas Lambung Mangkurat. Hasil penelitian diperoleh bahwa penggunaan Virtual Reality dalam perakitan computer desk- top mampu memberikan pengalaman luar biasa kepada pengguna, menjembatani jurang antara dunia nyata dan dunia maya. Hal ini dicapai melalui penggunaan perangkat keras yang dirancang khusus untuk menciptakan lingkungan virtual yang menyerupai realitas sebenarnya atau bahkan menciptakan realitas yang sama sekali baru.
Kata kunci: computer desktop; perakitan; virtual reality
Abstract:Abstract: Heart disease is one of the leading causes of death worldwide, making early detection and accurate diagnosis crucial for reducing mortality rates and improving patient outcomes. This study aims to evaluate the…
effectiveness of four machine learning algorithms—Logistic Regression, Random Forest, Support Vector Machine (SVM), and K-Nearest Neighbors (KNN)—in predicting heart disease, with a focus on enhancing model performance using Linear Discriminant Analysis (LDA) for feature reduction. Among the models, SVM achieved the highest accuracy at 84.24%, followed by Logistic Regression at 83.70%. Although Random Forest and KNN showed lower accuracies, all models benefited from LDA's dimensionality reduction. This study suggests that SVM, combined with LDA, offers an optimal solution for early and accurate heart disease prediction in the healthcare industry.
Keywords: feature reduction; heart disease; linear discriminant analysis (LDA); machine learning; SVM
Abstrak: Penyakit jantung merupakan salah satu penyebab utama kematian di seluruh dunia, sehingga deteksi dini dan diagnosis yang akurat sangat penting untuk menurunkan angka kematian dan meningkatkan hasil pengobatan pasien. Penelitian ini bertujuan untuk mengevaluasi efektivitas empat algoritma pembelajaran mesin—Regresi Logistik, Random Forest, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN)—dalam memprediksi penyakit jantung, dengan fokus pada peningkatan kinerja model menggunakan Analisis Diskriminan Linear (LDA) untuk reduksi fitur. Di antara model yang diuji, SVM mencapai akurasi tertinggi sebesar 84,24%, diikuti oleh Regresi Logistik dengan 83,70%. Meskipun Random Forest dan KNN menunjukkan akurasi yang lebih rendah, semua model memperoleh manfaat dari reduksi dimensi yang diberikan oleh LDA. Studi ini menunjukkan bahwa SVM yang dikombinasikan dengan LDA merupakan solusi optimal untuk prediksi penyakit jantung secara dini dan akurat dalam industri kesehatan.
Kata kunci: linear discriminant analysis (LDA); machine learning; penyakit jantung; reduksi fitur; SVM.