Abstract:Abstract: Automated batik motif classification is challenged by high inter-class similarity and texture complexity. This study proposes a hybrid model integrating MobileNetV2 as a feature extractor and Support Vector Machine…
hine (SVM) as the classifier to optimize accuracy and efficiency. Utilizing a Kaggle dataset of 8,640 images across 20 batik categories, the data was partitioned into 420 training images per class (Dayak: 360) and 15 testing images per class. The results demonstrate superior performance with 96.00% accuracy, exceeding the 90% target. The system showed high computational efficiency with a total execution time of 359.92 seconds and feature extraction taking only 22.63 seconds. This hybrid approach provides an ideal performance balance for resource-constrained mobile applications.
Keywords: batik classification; MobileNetV2; support vector machine; hybrid model; computational efficiency
Abstrak: Klasifikasi motif batik secara otomatis menghadapi tantangan kemiripan visual antar-kelas yang tinggi. Penelitian ini bertujuan mengoptimalkan akurasi dan efisiensi pengenalan batik menggunakan model hibrida MobileNetV2 sebagai pengekstraksi fitur dan Support Vector Machine (SVM) sebagai klasifikator. Menggunakan dataset Kaggle berisi 8.640 citra dari 20 kategori batik, data dibagi menjadi 420 citra latih per kelas (kecuali Batik Dayak 360) dan 15 citra uji per kelas. Hasil eksperimen menunjukkan performa impresif dengan akurasi 96,00%, melampaui target awal 90%. Sistem ini sangat efisien dengan total waktu eksekusi 359,92 detik, di mana ekstraksi fitur hanya membutuhkan 22,63 detik. Kombinasi MobileNetV2 dan SVM memberikan keseimbangan performa ideal untuk implementasi pada perangkat bergerak dengan sumber daya terbatas.
Kata kunci: klasifikasi batik; MobileNetV2; Support Vector Machine; Hybrid Model; efisiensi komputasi
Abstract:Abstract: Stunting is a chronic nutritional condition in toddlers characterized by a Height-for-Age (HFA) measurement below the standard growth threshold, necessitating early detection to prevent long-term consequences.…
This study aims to classify toddler stunting status by comparing three machine learning methods: Random Forest (RF), K-Nearest Neighbor (KNN), and Support Vector Machine (SVM). The dataset comprises 345 toddler records from Puskesmas Indramayu (2025), including weight, height, and nutritional status based on WFA, HFA, and WFH indicators. Preprocessing steps include data cleaning, StandardScaler normalization, One-Hot Encoding for categorical features, and splitting the training and testing data with a ratio of 80:20. The comparison results are that KNN achieved the best performance with an accuracy of 71.01%, a precision of 0.69, a recall of 0.69, and an F1 score of 0.67, while RF and SVM both had an accuracy of 69.57% with F1 scores of 0.67 and 0.68, respectively. Thus, KNN demonstrated superior effectiveness in classifying the stunting status of toddlers compared to RF and SVM on this dataset.
Keywords: KNN; Random Forest; SVM; Stunting; toddlers
Abstract: Stunting adalah kondisi gizi kronis pada balita yang ditandai dengan pengukuran Tinggi Badan menurut Usia (HFA) di bawah ambang batas pertumbuhan standar, sehingga memerlukan deteksi dini untuk mencegah konsekuensi jangka panjang. Penelitian ini bertujuan untuk mengklasfikasikan status stunting pada balita dengan membandingkan tiga metode pembelajaran mesin: Random Forest (RF), K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM). Kumpulan data terdiri dari 345 catatan balita dari puskesmas indramayu (2025), termaksut brat badan, tinggi badan, dan status gizi berdasarkan indicator WFA, HFA, dan WFH. Langkah-langkah prapemrosesan meliputi pembersian data, normalisasi Stand-ardScaler, One-Hot Encoding untuk fitur kategirikal, serta pembagian data pelatihan dan pengujian dengan rasio 80:20. Hasil perbadingan adalah KNN mencapai kinerja terbaik dengan akurasi 71,01%, presisi 0,69, recall 0,69, dan skor F1 sebesar 0,67, RF dan SVM keduanya memiliki akurasi 69,57% dengan skor F1 masing-masing sebesar 0,67 dan 0,68. Dengan demikian, KNN menunjukkan keefektifan yang lebih unggul dalam mengklasifikasikan status stunting balita dibandingkan dengan RF dan SVM pada da-taset ini.
Kata kunci: KNN; random forest; SVM; Stunting; Balita
Abstract:Abstract: The rapid growth of the digital music industry requires accurate music genre classification systems to enhance user experience in streaming services. This study compares a domain-specific Long Short-Term Memory…
(LSTM) network with three Large Language Models (LLMs)—HuBERT, WavLM, and WAV2Vec 2.0—for Music Genre Classification (MGC). The LSTM model was trained using Mel-spectrograms transformed from the GTZAN dataset, while the LLMs were fine-tuned using a smaller set of raw audio samples due to computational constraints. All models were tested on datasets with identical genre labels to ensure a fair evaluation. Results show that the LSTM model achieved the highest accuracy of 97.10%, outperforming HuBERT (86.00%), WavLM (83.00%), and WAV2Vec 2.0 (80.00%). The LSTM demonstrated superior generalization and stability without overfitting, while the LLMs struggled to differentiate between genres with similar acoustic characteristics. These findings indicate that general-purpose pre-trained models, although powerful, are less effective in music-specific tasks due to domain mismatch. Therefore, incorporating music-specific features and architectures remains essential for achieving higher accuracy and reliability in automatic genre classification systems.
Keywords: audio large language models; comparative deep learning; music genre classification.
Abstrak: Pertumbuhan industri musik digital yang pesat menuntut sistem klasifikasi genre musik yang akurat untuk meningkatkan pengalaman pengguna dalam layanan streaming. Penelitian ini dilatarbelakangi oleh perkembangan pesat model pembelajaran mendalam, khususnya jaringan LSTM dan model bahasa berskala besar LLM seperti HuBERT, WavLM, dan WAV2Vec 2.0, yang telah menunjukkan kemampuan representasi audio yang kuat. Tujuan penelitian ini ini membandingkan jaringan Long Short-Term Memory (LSTM) khusus domain dengan tiga model Large Language Models (LLM)—HuBERT, WavLM, dan WAV2Vec 2.0—untuk tugas Klasifikasi Genre Musik (MGC). Metode penelitian melibatkan pelatihan LSTM menggunakan data Mel-spectrogram hasil transformasi dari dataset GTZAN, sementara LLM disesuaikan (fine-tuning) menggunakan data audio mentah dalam jumlah lebih kecil karena keterbatasan komputasi. Seluruh model diuji pada dataset dengan label genre yang sama untuk memastikan evaluasi yang adil. Hasil penelitian menunjukkan bahwa model LSTM mencapai akurasi tertinggi sebesar 97,10%, sedangkan model HuBERT, WavLM, dan WAV2Vec 2.0 masing-masing memperoleh 86,00%, 83,00%, dan 80,00%. Model LSTM menunjukkan kemampuan generalisasi yang lebih baik tanpa overfitting, sedangkan model LLM cenderung kesulitan membedakan genre dengan karakteristik akustik yang mirip. Kesimpulan penelitian ini adalah ketidaksesuaian domain secara signifikan membatasi performa model umum saat diterapkan pada tugas berbasis musik. Oleh karena itu, penggunaan fitur dan arsitektur khusus musik sangat penting dalam membangun sistem klasifikasi genre yang lebih akurat.
Kata kunci: klasifikasi genre musik; model bahasa besar; perbandingan pembelajaran mendalam.
Abstract:Abstract: The rapid growth of the cosmetics industry on e-commerce platforms has intensified competition, creating a critical need for effective, data-driven marketing strategies. This study aims to conduct a comparative…
analysis of machine learning algorithms to predict the sales categories (High, Medium, Low) of cosmetic products on the Tokopedia marketplace. Four classification models; Random Forest, XGBoost, Logistic Regression, and Naive Bayes were trained and evaluated on data collected via web scraping. The methodology incorporates the Synthetic Minority Over-sampling Technique (SMOTE) to address significant class imbalance and GridSearchCV for hyperparameter optimization to ensure a fair and robust comparison. The experimental results conclusively show that the Random Forest model achieved the best performance, yielding the highest F1-Score Macro Average of 0.75 and an accuracy of 85.3%. The superior model was subsequently implemented in a simple recommendation system to simulate optimal discount strategies, demonstrating its practical utility in providing actionable insights for business decisions.
Keywords: classification; comparative analysis; machine learning; sales prediction; SMOTE
Abstrak: Pertumbuhan pesat industri kosmetik pada platform e-commerce telah membuat persaingan ketat, sehingga menciptakan kebutuhan krusial akan strategi pemasaran yang efektif dan berbasis data. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap algoritma machine learning untuk memprediksi kategori penjualan (Tinggi, Sedang, Rendah) produk kosmetik di marketplace Tokopedia. Empat model klasifikasi, yaitu Random Forest, XGBoost, Regresi Logistik, dan Naive Bayes, dilatih dan dievaluasi menggunakan data yang dikumpulkan melalui web scraping. Metodologi penelitian ini menerapkan Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas yang signifikan dan GridSearchCV untuk optimisasi hyperparameter guna memastikan perbandingan yang adil. Hasil eksperimen menunjukkan bahwa model Random Forest mencapai performa terbaik, dengan menghasilkan F1-Score Macro Average tertinggi sebesar 0,75 dan akurasi 85,3%. Model unggul ini kemudian diimplementasikan dalam sebuah sistem rekomendasi sederhana untuk menyimulasikan strategi diskon yang optimal, yang menunjukkan kegunaan praktisnya dalam memberikan wawasan yang dapat ditindaklanjuti untuk pengambilan keputusan bisnis.
Kata kunci: analisis komparatif; klasifikasi; machine learning; prediksi penjualan; SMOTE
Abstract: Abstract: The Ombudsman of the Republic of Indonesia is an institution tasked with supervising the administration of public services and handling community complaint reports related to allegations of maladministration.…
on. The purpose of this research is to create a decision support system using the Analytic Hierarchy Process (AHP) method, which facilitates the determination of priority handling of community complaint reports at the Ombudsman of the Republic of Indonesia Bengkulu Representation. This decision support system is built on a web-based platform using PHP programming language with a MySQL database that can be accessed offline by the admin of the Ombudsman. With the existence of this priority recommendation, it is expected that work will become more effective and efficient, as resources can be focused on reports that most need attention. Based on the test data used, which consists of 12 Community Complaint Reports from July 2024, it was found that the priority handling recommendations for community complaint reports were derived from 3 reports with the highest final AHP values. The recommended priority handling reports are registration number 0021/LM/VII/2024/BKL with a final AHP value of 2.074, registration number 0020/LM/VII/2024/BKL with a final AHP value of 1.964, and registration number 0018/LM/VII/2024/BKL with a final AHP value of 1.866.
Keywords: decision support system; priority recommendation; public complaint report; AHP Method (analytic hierarchy process method)
Abstract:Abstract: Recommendation systems are becoming increasingly important with the growth of streaming platforms. The purpose of this study is to compare the performance of Content-Based Filtering, Neural Collaborative Filtering,…
ing, and a combination of both in a movie recommendation system. The method used in this study involves retrieving movie details from the TMDB API and ratings from the MovieLens 32M Dataset (2010-2023). Each model's performance is evaluated using evaluation metrics such as RMSE and MAE. The results of this study indicate that Neural Collaborative Filtering achieves the best prediction performance (RMSE = 0.785423, MAE = 0.581262), followed by the hybrid model (RMSE = 0.800863, MAE = 0.660872), while Content-Based Filtering produces low performance and limits the capabilities of the hybrid model. In conclusion, these findings highlight the superiority of latent feature-based models such as NCF that learn directly from user interaction patterns over content-based approaches in the context of modern recommendation systems.
Keywords: content-based filtering; hybrid filtering; movie recommendation; neural collaborative filtering.
Abstrak: Sistem rekomendasi menjadi semakin penting seiring berkembangnya platform streaming. Tujuan dari penelitian ini adalah membandingkan kinerja Content-Based Filtering, Neural Collaborative Filtering dan kombinasi keduanya dalam sistem rekomendasi film. Metode yang digunakan dalam penelitian ini melibatkan pengambilan detail film dari TMDB API dan rating dari dataset MovieLens 32M Dataset (2010-2023). Setiap peforma model dievaluasi dengan menggunakan metrik evaluasi seperti RMSE dan MAE. Hasil dari penelitian ini menunjukkan bahwa Neural Collaborative Filtering mencapai kinerja prediksi terbaik (RMSE = 0.785423, MAE = 0.581262), diikuti oleh model hybrid (RMSE = 0.800863, MAE = 0.660872), sementara Content-Based Filtering menghasilkankan peforma yang rendah dan membatasi kemampuan model hybrid. Kesimpulannya, penelitian ini menyoroti superiotas model berbasis latent feature seperti NCF yang belajar langsung dari pola interaksi pengguna dibandingkan pendekatan berbasis konten dalam konteks sistem rekomendasi modern.
Kata kunci: content-based filtering; hybrid filtering; neural collaborative filtering; rekomendasi film.
Abstract:Abstract: The advancement of network security faces growing challenges as cyberattacks become more sophisticated. Traditional rule-based systems struggle with zero-day attacks and obfuscation techniques. This study examines…
nes the development trends of AI-based algo-rithms, particularly machine learning and deep learning, in threat detection. A literature review evaluates AI-driven approaches, including support vector machines, random for-est, deep neural networks, convolutional neural networks, and reinforcement learning. Findings show that AI enhances detection accuracy, adaptability, and reduces false posi-tives. Machine learning efficiently classifies known attacks, while deep learning excels in identifying complex patterns such as distributed denial-of-service and advanced persis-tent threats. Unsupervised learning improves anomaly detection without labeled data. However, AI models require high-quality data, substantial computational resources, and remain vulnerable to adversarial attacks. Despite these challenges, AI provides a dynam-ic and adaptive security solution, surpassing traditional systems. Future research should enhance AI scalability and resilience for evolving cybersecurity threats.
Keywords: anomaly detection; artificial intelligence; deep learning; machine learning; network security
Abstrak: Perkembangan keamanan jaringan menghadapi tantangan yang semakin besar seiring meningkatnya kompleksitas serangan siber. Sistem berbasis aturan tradisional kesulitan mendeteksi zero-day attack dan teknik penyamaran. Penelitian ini mengkaji tren pengembangan algoritma berbasis AI, khususnya machine learning dan deep learning, dalam deteksi ancaman. Literature review mengevaluasi pendekatan berbasis AI, termasuk support vector machines, random forest, deep neural networks, convolutional neural networks, dan reinforcement learning. Hasil penelitian menunjukkan bahwa AI meningkatkan akurasi deteksi, adaptabilitas terhadap ancaman baru, serta mengurangi false positive. Machine learning efektif mengklasifikasikan serangan yang telah diketahui, sementara deep learning unggul dalam mengenali pola kompleks seperti distributed denial-of-service dan advanced persistent threats. Unsupervised learning meningkatkan deteksi anomali tanpa memerlukan data berlabel. Namun, AI masih bergantung pada data berkualitas tinggi, sumber daya komputasi besar, dan rentan terhadap adversarial attack. Meskipun demikian, AI menawarkan solusi keamanan yang lebih dinamis dan adaptif dibandingkan sistem tradisional. Penelitian selanjutnya perlu difokuskan pada peningkatan skalabilitas dan ketahanan AI dalam menghadapi ancaman siber yang terus berkembang.
Kata kunci: deteksi anomali; jaringan keamanan; kecerdasan buatan; pembelajaran dalam; pembelajaran mesin
Abstract:Abstract: Performance assessment is the process of measuring an organization in achieving predetermined goals. Performance assessment can also be interpreted as periodically determining the operational effectiveness of an…
n organization and its personnel, based on the vision, mission and organizational standards that have been previously established. Performance appraisals are carried out between superiors and subordinates, looking at the employee's work results in the last year. Employee performance assessment at the North Padang Lawas Regency PUPR Service still uses a manual system so that the files are not arranged quickly and employee performance assessment still uses calculations with Microsoft Excel. With this problem, the fuzzy logic method is used. The fuzzy method is used to obtain the best employee performance assessment, with 3 criteria to produce the greatest value selected. This research aims to design an employee performance assessment application using the fuzzy method, to obtain recommendations for promotion. The test results of 8 people had sufficient value and 2 people had low value. For low-ranking employees, they will be given sanctions and reprimands by their superiors, while for employees with sufficient value, their performance must be improved to be even better.
Keywords: fuzzy logic; performance; assessment; employee;
Abstrak: Penilaian kinerja merupakan proses pengukuran organisasi dalam mencapai tujuan yang telah ditetapkan. Penilaian kinerja dapat juga diartikan sebagai penentuan secara periodik efektivitas operasional suatu organisasi, dan personilnya, berdasarkan visi, misi dan standar organisasi yang telah ditetapkan sebelumnya. Penilaian kinerja dilakukan antara atasan dengan bawahan, melihat hasil kerja pegawai dalam setahun terakhir. Penilaian kinerja pegawai pada Dinas PUPR Kabupaten Padang Lawas Utara masih menggunakan sistem manual sehingga berkas-berkas file tidak tersusun secara rapid dan penilaian kinerja pegawai masih menggunakanperhitungan dengan microsoft excel.Dengan permasalahah tersebut menggunakan metode fuzzy logic. Metode fuzzy digunakan dalam mendapatkan penilaian kinerja pegawai terbaik, dengan 3 kriteria untuk menghasilkan nilai terbesar yang terpilih. Penelitian ini bertujuan untuk merancang aplikasi penilaian kinerja karyawan dengan metode fuzzy, untuk mendapatkan rekomendasi kenaikan jabatan. Hasil tes dari 8 orang memiliki nilai cukup dan 2 orang memiliki nilai rendah. Bagi pegawai yang memiliki nilai rendah akan diberikan sanksi dan teguran oleh atasannya, sedangkan bagi pegawai yang memiliki nilai cukup, kinerjanya harus ditingkatkan agar lebih baik lagi.
Kata kunci: fuzzy logic; penilaian; kinerja; pegawai
Abstract:Abstract: This research aims to design a system that can assist the final assignment development process by focusing on resolving frequently encountered obstacles, such as clarity of research title status, guidance process,…
ss, and research schedule. The development method used is the Scrum method approach with a small scale and team. During the development process, an analysis of each sprint is carried out from preparation to the development process. The results of development using the Scrum method show that each feature was completed within 8 hours per day, with each sprint completed in a week. The total time required to complete all sprints designed on the BITA Information System is 128 hours. The application of the Scrum method provides results that enable rapid identification of changes during the development process, as well as optimizing the process of submitting and validating titles, determining supervisors, evaluating guidance, and scheduling exams. Thus, this research provides an effective solution in increasing the efficiency and effectiveness of the final assignment coaching process for students in completing their studies.
Keywords: information system; optimal efficiency; scrum method; SI BITA; thesis guidance.
Abstrak: Penelitian ini bertujuan untuk merancang sistem yang dapat membantu proses pembinaan tugas akhir dengan fokus pada penyelesaian kendala yang sering dihadapi, seperti kejelasan status judul penelitian, proses bimbingan, dan jadwal penelitian. Metode pengembangan yang digunakan adalah pendekatan metode Scrum dengan skala dan tim kecil. Selama proses pengembangan, dilakukan analisis terhadap setiap sprint yang dihasilkan dari persiapan hingga proses pengembangan. Hasil pengembangan menggunakan metode Scrum menunjukkan bahwa setiap fitur diselesaikan dalam jangka waktu 8 jam per hari, dengan setiap sprint selesai dalam seminggu. Total waktu yang dibutuhkan untuk menyelesaikan semua sprint yang dirancang pada Sistem Informasi BITA adalah 128 jam. Penerapan metode Scrum memberikan hasil yang memungkinkan identifikasi cepat terhadap perubahan selama proses pengembangan, serta mengoptimalkan proses pengajuan dan validasi judul, penentuan pembimbing, evaluasi bimbingan, dan penjadwalan ujian. Dengan demikian, penelitian ini menyediakan solusi yang efektif dalam meningkatkan efisiensi dan efektivitas proses pembinaan tugas akhir bagi mahasiswa dalam menyelesaikan studi mereka.
Kata kunci: sistem informasi; efisiensi optimal; metode scrum; SI BITA; bimbingan skripsi
Abstract:Abstract: As a supermarket, we are committed to always improving everything, including selecting the greatest goods. To evaluate which items are more superior or popular and which are less popular, you will want a sizable…
e amount of information sources. To select products and identify those that belong in the superior product cluster, researchers employed the clustering method. The clustering strategy uses two forms of cluster analysis, k-means and k-medoids, which have related techniques. The research results show that the k-means algorithm's Davies Bouldin value is -0.430, whereas the k-medoids algorithm's Davies Bouldin value is -1.392. This suggests that the Davies Bouldin value of the k-medoids approach is the lowest, showing that the grouping findings of the k-means method are a better method to apply to the issue of choosing better products.
Keywords : k-means; k-medoids; clustering; algorithm; data mining
Abstract: Sebagai toko sembako, toko yuli berkomitmen untuk selalu meningkatkan segalanya, termasuk memilih barang terbaik. Untuk mengevaluasi item mana yang lebih unggul atau populer dan mana yang kurang populer, Anda memerlukan sumber informasi yang cukup banyak. Untuk memilih produk dan mengidentifikasi produk yang termasuk dalam cluster produk unggulan, peneliti menggunakan metode clustering. Strategi clustering menggunakan dua bentuk analisis cluster, k-means dan k-medoids, yang memiliki teknik terkait. Hasil penelitian menunjukkan nilai Davies Bouldin pada algoritma k-means sebesar -0,430, sedangkan nilai Davies Bouldin pada algoritma k-medoids sebesar -1,392. Hal ini menunjukkan bahwa nilai Davies Bouldin pada pendekatan k-medoids paling rendah, menunjukkan bahwa temuan pengelompokan metode k-means merupakan metode yang lebih baik untuk diterapkan pada permasalahan pemilihan produk yang lebih baik.
Keywords: k-means; k-medoids; clustering; algoritma; data mining