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: 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: 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 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: Weighted Product (WP) Methodology Implementation System for Employee Recruitment at PT. Web-Based XYZ conducted research on decision support systems with a website platform for PT. XYZ. The data collection method…
od was carried out for research using the literature study method from existing theories, interviews, several discussions as well as questions and observations at research sites. Using the Weighted Product (WP) Methodology aims to provide a solution to the problems that exist at PT. XYZ, for the basis of a computational assessment. PT assistant system. XYZ to conduct elections in determining employees who are selected from the best of all existing candidates. As well as the selection presented in the system. Research shows that this website system can make it easier for PT. XYZ to make selections in choosing prospective employees with specifications with the help of the Weighted Product (WP) methodology. So it can be said that the values and results that can be displayed still provide eligibility and suitability of the system that can be applied the same as the manual system that runs for the selection of new PT employees. XYZ.
Keywords: Methodology Weighted Product; SPK; Website; Warehouse
Abstrak: Sistem Penerapan Metodologi Weighted Product (WP) Untuk Penerimaan Karyawan di PT. XYZ Berbasis Web melakukan riset tentang sistem pendukung keputusan dengan platform website untuk PT. XYZ. Metode pengambilan data-data dikerjakan untuk riset me-manfaatkan metode studi pustaka dari teori-teori yang ada, wawancara beberapa diskusi serta pertanyaan dan observasi ke tempat riset. Menggunakan Metodologi Weighted Product (WP) bertujuan agar memberikan solusi dari masalah yang ada pada pada PT. XYZ, untuk dasar penilaian secara perhitungan. Sistem pembantu PT. XYZ agar melakukan pemilihan dalam menentukan karyawan yang terpilih dari yang terbaik dari semua kandi-dat yang ada. Serta penseleksian disajikan dalam sistem. Pada riset menampilkan kalua sistem website ini bisa memudahkan PT. XYZ untuk melakukan pemilihan dalam memilih calon karyawan dengan spesifikasi oleh bantuan metodologi Weighted Product (WP). Jadi bisa dikatakan kalau nilai dan hasil dapat ditampilkan masih memberikan kelayakan serta kecocokan sistem dapat diterapkan sama seperti manual sistem yang berjalan untuk seleksi karyawan baru PT. XYZ.
Kata kunci: Metodologi Weighted Product; SPK; Website; Warehouse
Abstract:Abstract: In this paper we discuss the development of computational application program in MATLAB to calculate the second derivative of a function by using finite difference method for various types (forward, backward, or…
r central) and any order of accuracy. The MATLAB program extends the similar one which has been developed for the first derivative. The program is designed as an implementation of the explicit formulas of finite difference formulated by Khan and Ohba. Through this program, one can easily calculate the second derivative of a function numerically with any order of accuracy and visualize it in a graphical form. Error of numerical derivatives in each order of accuracy confirm the validity of the obtained results.
Keywords: finite difference method, explicit formula, second derivative, MATLAB programming
Abstrak: Dalam makalah ini dibahas pengembangan program aplikasi komputasi pada MATLAB untuk menghitung turunan kedua suatu fungsi dengan menggunakan metode beda hingga pada berbagai tipe (maju, mundur, atau pusat) dan sebarang orde ketelitian. Program MATLAB ini melanjutkan program serupa yang telah dibuat untuk turunan pertama. Program ini dirancang sebagai implementasi dari rumus eksplisit beda hingga yang diformulasi oleh Khan dan Ohba. Melalui program ini, seseorang dengan mudah dapat menghitung turunan kedua suatu fungsi secara numerik dengan sebarang orde ketelitian dan memvisualisasinya dalam bentuk grafik. Galat dari turunan numerik di setiap orde ketelitian mengkonfirmasi kevalidan hasil yang diperoleh.
Kata kunci: metode beda hingga, rumus eksplisit, turunan kedua, pemrograman MATLAB
Abstract:Perkembangan teknologi digital dan kecerdasan artifisial memberikan pengaruh yang signifikan terhadap dunia pendidikan, termasuk pendidikan anak usia dini. Namun, guru PAUD masih menghadapi keterbatasan pemahaman dan keterampilan…
erampilan dalam mengintegrasikan konsep dasar koding dan kecerdasan artifisial ke dalam kegiatan pembelajaran. Kegiatan pengabdian kepada masyarakat ini bertujuan untuk meningkatkan pengetahuan, keterampilan, dan sikap guru PAUD terhadap pemanfaatan koding dan kecerdasan artifisial yang disesuaikan dengan karakteristik pembelajaran anak usia dini. Metode pelaksanaan kegiatan dilakukan melalui pelatihan dan pendampingan berupa ceramah, diskusi, demonstrasi, serta praktik langsung. Hasil kegiatan menunjukkan adanya peningkatan pemahaman guru terhadap konsep koding, pengenalan kecerdasan artifisial sederhana, serta kemampuan merancang pembelajaran berbasis computational thinking.