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: 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: 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:Penelitian ini bertujuan untuk mendeskripsikan dan menganalisis kemampuan berpikir komputasi matematis siswa SMA menggunakan software GeoGebra Pada Materi Tranformasi Geometri. Jenis penelitian ini adalah Kualitatif. Subjek…
jek penelitain ini adalah siswa Sekolah Menengah Atas Mandailing Natal Yang berjumlah 10 siswa. Metode pengumpulan data menggunakan tes, wawancara, dan dokumentasi. Teknik analisis data pada penelitian ini adalah reduksi data, paparan data, dan penarikan kesimpulan. Hasil penelitian menyatakan peserta didik pada kategori tinggi sudah mampu memenuhi semua indikator dengan menggunakan software geogebra, pada peserta didik dengan kategori cukup sudah mampu memenuhi soal menggunakan Geogebra dengan indikator Decomposition dan Pettern recognition namun kurang pada indikator Algorithm dan Debugging, sedangkan pada peserta didik dengan kemampuan kategori rendah, kurang mampu dalam menggunakan Geogebra dengan indikator Decomposition, Pettern recognition ,Algorithm dan Debugging.
Abstract:Penelitian ini bertujuan untuk menganalisis kemampuan komputasi siswa dengan menggunakan software geogebra. Penelitian ini menggunakan metode penelitian kepustakaan dalam penelitiannya, dimana peneliti melakukan kajian hasil…
asil peneliti terdahulu. Hasil penelian ini menyimpulkan bahwa kemampuan berpikir komputai siswa dengan menggunakan software geogebra dapat ditingkat lagi pada indikator Algorithms dan Debugging dan juga pada siswa berkategori rendah. Penggunaan software geogebra pada pelajaran matematika menghasilkan pengaruh yang positif pada pengetahuan komputasi siswa, Pembelajaran dengan software geogebra menjadikan pembelajaran matematika menjadi lebih mudah dipahami dan dimengerti siswa dan siswa lebih semangat dalam pembelajaran matematika dengan menggunakan software geogebra sehinnga dapat menambah kemampuan dan antusias siswa pada pembelajaran matematika.
Abstract:Konflik geopolitik di kawasan Timur Tengah, khususnya konflik Israel-Gaza yang meningkat eskalasi sejak Oktober 2023, menjadi salah satu isu internasional yang paling banyak diberitakan oleh media online Indonesia. Penelitian…
itian ini bertujuan untuk mengidentifikasi frame dominan yang digunakan media online Indonesia dalam memberitakan konflik tersebut menggunakan pendekatan komputasional berbasis topic modeling Latent Dirichlet Allocation (LDA). Sebanyak 127 artikel berita dikumpulkan dari berbagai media online Indonesia melalui metode web scraping pada platform Google News RSS, kemudian diproses melalui tahapan preprocessing teks meliputi cleaning, tokenisasi, stopword removal, dan stemming menggunakan library Sastrawi. Model LDA dengan K=4 topik diidentifikasi sebagai konfigurasi optimal berdasarkan coherence score tertinggi sebesar 0,5620. Hasil analisis menemukan empat frame dominan dalam pemberitaan, yaitu: (1) Frame Geopolitik dan Eskalasi Regional (21,3%), (2) Frame Diplomasi dan Negosiasi (32,3%), (3) Frame Dampak Ekonomi Global (17,3%), dan (4) Frame Kemanusiaan dan Korban Sipil (29,1%). Temuan ini menunjukkan bahwa media online Indonesia cenderung membingkai konflik Timur Tengah melalui lensa diplomatik dan kemanusiaan, dengan relatif sedikit perhatian pada dimensi ekonomi. Penelitian ini berkontribusi pada pengembangan metodologi analisis framing berbasis komputasional untuk konteks bahasa Indonesia.
Abstract:Perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) mengalami peningkatan yang signifikan dalam beberapa dekade terakhir. Kemajuan ini tidak lepas dari peran penting arsitektur dan organisasi komputer yang…
ang menjadi dasar sistem komputasi modern. Arsitektur komputer menentukan rancangan logis sistem, sedangkan organisasi komputer menjelaskan cara elemen-elemen perangkat keras bekerja secara efisien untuk mendukung proses pemrosesan data yang kompleks. Penelitian ini bertujuan untuk menganalisis pengaruh arsitektur dan organisasi komputer terhadap efektivitas penggunaan serta pengembangan AI. Metode penelitian yang digunakan adalah studi literatur dan analisis komparatif terhadap arsitektur CPU, GPU, dan TPU. Hasil penelitian menunjukkan bahwa arsitektur paralel, efisiensi sistem memori, dan optimalisasi jalur data merupakan faktor utama yang menentukan performa sistem AI. Inovasi seperti TPU dan NPU menandai arah perkembangan baru dalam dunia komputasi yang lebih cepat, hemat energi, dan efisien.
Abstract:Kanker payudara merupakan salah satu jenis kanker yang paling umum ditemukan pada wanita dan menjadi penyebab utama kematian akibat kanker di seluruh dunia. Ketepatan dalam diagnosis kanker payudara menjadi sangat krusial…
l untuk penanganan yang tepat. Penelitian ini bertujuan untuk membandingkan performa algoritma Naive Bayes dan Random Forest dalam mengklasifikasikan kanker payudara menggunakan dataset Breast Cancer Wisconsin. Metodologi penelitian dimulai dengan pengumpulan data dari dataset Breast Cancer Wisconsin yang terdiri dari 569 sampel dengan 32 atribut. Proses preprocessing data meliputi konversi data dari format nominal ke binominal untuk atribut diagnosis. Implementasi algoritma menggunakan tools RapidMiner dengan pendekatan cross validation (k=10) untuk evaluasi model yang lebih robust. Performa kedua algoritma dibandingkan menggunakan berbagai metrik evaluasi termasuk accuracy, precision, recall, dan analisis confusion matrix. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa yang lebih unggul dengan tingkat akurasi 94,91% (±5,06%), precision 95,33%, dan recall 93,90%. Sementara itu, Naive Bayes mencapai akurasi 93,51% (±5,30%), precision 93,68%, dan recall 92,67%. Random Forest juga menunjukkan keunggulan dalam mengurangi false positive, dengan hanya 8 kasus dibandingkan 15 kasus pada Naive Bayes. Analisis confusion matrix menunjukkan bahwa kedua algoritma memiliki kemampuan yang baik dalam mengklasifikasikan kasus kanker payudara, meskipun Random Forest menunjukkan performa yang lebih stabil dan akurat. Kesimpulan dari penelitian ini menunjukkan bahwa kedua algoritma efektif untuk klasifikasi kanker payudara, dengan Random Forest menunjukkan keunggulan dalam hal akurasi dan presisi. Hasil ini dapat menjadi pertimbangan dalam pengembangan sistem pendukung keputusan untuk diagnosis kanker payudara, dimana Random Forest dapat menjadi pilihan utama ketika akurasi menjadi prioritas, sementara Naive Bayes tetap menjadi alternatif yang valid ketika kesederhanaan implementasi dan efisiensi komputasi diperlukan.
Abstract:Tujuan penelitian ini membahas tentang pembelajaran bagi mahasiswa sejarah yang nantinya ingin menjadi calon Guru Sejarah diberbagai sekolah khususnya Sekolah Menengah Atas (SMA), Agar ketika menjadi guru sejarah nanti…
dapat memahami siswa/siswi nya dalam proses pembelajaran. Metode penelitian ini menggunakan metode studi literatur yang digunakan untuk mengumpulkan dan menganalisis data yang diperoleh dari berbagai sumber yang telah dipublikasikan sebelumnya, seperti jurnal, buku, dan artikel, hal ini bertujuan agar dapat memahami tema serta konsep yang terkait dengan topik penelitian. Hasil penelitian menunjukkan bahwa merujuk pada era revolusi industri yang menjadi bagian terpenting dalam menyikapi tantangan dan strategi calon guru sejarah terhadap perkembangan zaman, khususnya ditahun 2024 ini, banyaknya perubahan dan gaya pimikiran modern anak didik di berbagai sekolah menjadi poin penting dalam penelitian ini, beberapa poin pentinya adalah (1) tantangan calon guru sejarah, (2) strategi yang digunakan dalam proses pembelajaran (3) perkembangan zaman yang memicu pemikiran modern peserta didik. Beberapa poin penting ini akan menjadi referensi bagi para mahasiswa sejarah yang ingin menjadi calon guru sejarah. Secara spesifik perkembangan zaman juga dapat dilihat dari berbagai sisi diantaranya sistim cyber-fisik, komputasi awan dan internet. Hal ini menjadi sebuah tantangan terbesar bagi calon guru sejarah dalam menyikapi perkembangan zaman sekaligus didalam dunia pendidikan. Seorang calon guru tentu harus bisa memahami berbagai tantangan dan strategi dalam menghadapi perkembangan zaman, hal ini bertujuan agar dapat meningkatkan kualitas pendidikan.