Abstract:Abstract: Community Service Activities is conducted in the form of one day training for teachers in using Microsoft Office software as one way to utilize information technology in delivering learning materials to students…
s especially in SMA Tamansiswa Suka Damai. The target in this activity is the teachers of Tamansiswa Suka Damai High School in District Pulo Bandring Kab. Asahan which amounted to approximately 18 people. This devotional activity is done by lecture method, demonstration, and practice with question and answer. The lecture method is used to explain the introductory concept of the introduction of Microsoft Office software as one of the media in facilitating human work. Demonstration method is used to show a working process that is the stages of recognizing the tools that exist in the Microsoft Office software and know each function, while the practice method to practice the use of the application directly. While the question and answer method to give the participants the opportunity in consultation to overcome obstacles in understanding the material already obtained. The end result of this activity is expected to accelerate and facilitate the teachers in delivering learning materials to the students.
Keywords: Microsoft Office software, teachers, students, information technology
Abstrak: Kegiatan Pengabdian Masyarakat ini dilaksanakan dalam bentuk pelatihan sehari bagi guru-guru dalam menggunakan software Microsoft Office sebagai salah satu cara dalam memanfaatkan teknologi informasi dalam menyampaikan materi pembelajaran kepada siswa-siswi khususnya di SMA Tamansiswa Suka Damai. Sasaran dalam kegiatan ini adalah para guru-guru SMA Tamansiswa Suka Damai di Kecamatan Pulo Bandring Kab. Asahan yang berjumlah lebih kurang 18 orang. Kegiatan pengabdian ini dilakukan dengan metode ceramah, demonstrasi, dan latihan yang disertai tanya jawab. Metode ceramah digunakan untuk menjelaskan konsep pengantar dari pengenalan software Microsoft Office sebagai salah satu media dalam mempermudah pekerjaan manusia. Metode demonstrasi dipakai untuk menunjukkan suatu proses kerja yaitu tahap-tahap mengenalan tool-tool yang ada pada software Microsoft Office dan mengetahui masing-masing fungsinya, sedangkan metode latihan untuk mempraktikkan langsung penggunaan aplikasi tersebut. Sementara metode tanya jawab untuk memberi kesempatan para peserta dalam berkonsultasi untuk mengatasi kendala dalam memahami materi yang sudah didapat. Hasil akhir dari kegiatan ini diharapkan dapat mempercepat dan mempermudah para guru dalam meyampaikan materi pembelajaran kepada siswa-siswinya.
Kata kunci: Software Microsoft Office, Guru, Siswa-siswi, teknologi informasi
Abstract:Abstract: Community Service Activity is conducted in the form of training in the utilization of information technology in data processing that aims to provide knowledge and skills for the village apparatus in Buntu Pane…
subdistrict in data processing that is computerized as one way in making an institution decision.The target in this activity is the village apparatus in Buntu Pane sub-district which is approximately 25 people. Training in data processing is done by lecture method, demonstration, and practice with a question and answer. The lecture method is used to explain the introductory concept of the introduction of SPSS software as one of the media in data processing. Demonstration method is used to show a working process that is stages of recognizing the existing tools in the software SPSS and know each function, while the method of practice to practice data processing based on information technology by processing a certain data. While the question and answer method to give the participants the opportunity in consultation to overcome obstacles in understanding the material already obtained. The end result of activities is expected to accelerate and facilitate the employees in decision making for the future.
Keywords: Data processing, SPSS software, computer, information technology
Abstrak: Pengabdian kepada masyarakat merupakan salah satu bentuk Tridarma perguruan Tinggi yang harus dilaksanakan oleh seorang dosen. Pada kegiatan pengabdian pada masyarakat ini akan mengimplementasikan kompetensi keilmuan yang dimiliki agar memberikan manfaat bagi masyarakat, dimana kegiatan ini dilakukkan dalam bentuk pelatihan dalam pemanfaatan teknologi informasi dalam pengolahan data yang bertujuan memberikan pengetahuan dan keterampilan bagi para perangkat desa di kecamatan Buntu Pane dalam pengolahan data yang bersifat komputerisasi sebagai salah satu cara dalam pengambilan keputusan sebuah instansi.Sasaran dalam kegiatan PKM ini adalah para perangkat desa di kecamatan Buntu Pane yang berjumlah lebih kurang 25 orang. Pelatihan dalam pengolahan data ini dilakukan dengan metode ceramah, demonstrasi, dan latihan yang disertai tanya jawab. Metode ceramah digunakan untuk menjelaskan konsep pengantar dari pengenalan software SPSS sebagai salah satu media dalam pengolahan data. Metode demonstrasi dipakai untuk menunjukkan suatu proses kerja yaitu tahap-tahap mengenalan tool-tool yang ada pada software SPSS dan mengetahui masing-masing fungsinya, sedangkan metode latihan untuk mempraktikkan pengolahan data berbasis teknologi informasi dengan mengolah sebuah data tertentu. Sementara metode tanya jawab untuk memberi kesempatan para peserta dalam berkonsultasi untuk mengatasi kendala dalam memahami materi yang sudah didapat. Hasil akhir dari kegiatan PKM ini diharapkan dapat mempercepat dan mempermudah para pegawai dalam pengambilan keputusan untuk masa yang akan datang.
Kata kunci: Pengolahan data, Software SPSS, komputer, teknologi informasi
Abstract:Abstract: The assessment of PKH employees in Batu Bara Regency still requires an objective and measurable evaluation process to support performance decisions. Manual assessment can cause subjectivity and take more time,…
especially when several criteria must be considered. This study aims to apply the Simple Additive Weighting (SAW) method to the PKH employee assessment system in Batu Bara Regency. The criteria used in this assessment are attendance, teamwork, responsibility, communication, and length of service. The SAW method is applied by determining criteria weights, converting employee values, normalizing the decision matrix, and calculating preference values to obtain the final ranking. The results show that alternative A1, Rahmi Rizkya, obtained the highest score of 0.9504 and ranked first, while alternative A5, Toni Syahpradanadaely, obtained the lowest score of 0.4831. Based on these results, the SAW method can help the employee assessment process become more objective, structured, and useful as a reference for evaluating PKH employee performance.
Keywords: decision support system; PKH employee; simple additive weighting
Abstrak: Penilaian pegawai PKH Kabupaten Batu Bara membutuhkan proses evaluasi yang objektif dan terukur untuk mendukung pengambilan keputusan terhadap kinerja pegawai. Penilaian yang masih dilakukan secara manual dapat menimbulkan subjektivitas dan membutuhkan waktu lebih lama, terutama jika penilaian melibatkan beberapa kriteria. Penelitian ini bertujuan untuk menerapkan metode Simple Additive Weighting (SAW) pada sistem penilaian pegawai PKH Kabupaten Batu Bara. Kriteria yang digunakan dalam penilaian meliputi kehadiran, kerja sama tim, tanggung jawab, komunikasi, dan masa kerja. Metode SAW diterapkan melalui penentuan bobot kriteria, konversi nilai pegawai, normalisasi matriks keputusan, serta perhitungan nilai preferensi untuk memperoleh hasil perankingan. Hasil penelitian menunjukkan bahwa alternatif A1 atas nama Rahmi Rizkya memperoleh nilai tertinggi sebesar 0,9504 dan menempati peringkat pertama, sedangkan alternatif A5 atas nama Toni Syahpradanadaely memperoleh nilai terendah sebesar 0,4831. Berdasarkan hasil tersebut, metode SAW dapat membantu proses penilaian pegawai menjadi lebih objektif, terstruktur, dan dapat dijadikan acuan dalam evaluasi kinerja pegawai PKH.
Kata kunci: pegawai PKH; simple additive weighting; sistem pendukung keputusan
Abstract:Abstract: Query performance is a critical factor in managing large-scale databases. One of the most widely used optimization techniques is indexing. This study aims to analyze the impact of indexing on query performance…
in PostgreSQL, compare the effectiveness of B-Tree and Hash indexes, and evaluate their influence on query planner decisions. A quantitative experimental approach was employed using the TPC-H benchmark dataset at scale factors SF0.1, SF1, and SF10. Experiments were conducted using EXPLAIN ANALYZE on exact match, range, and join queries under three conditions: without indexing, with B-Tree indexing, and with Hash indexing. The results demonstrate that indexing significantly improves query performance. For exact match queries on the SF10 dataset, execution time decreased from 93.36 ms without indexing to 0.034 ms using B-Tree and 0.045 ms using Hash indexes. For join queries, execution time was reduced from 857.77 ms to 0.180 ms using B-Tree and 0.079 ms using Hash indexes. B-Tree showed consistent performance across different query types, while Hash achieved the best results for equality-based queries. Furthermore, index usage influenced query planner decisions in selecting more efficient execution strategies. These findings indicate that appropriate index selection can substantially improve data access efficiency in PostgreSQL.
Keywords: b-tree index; hash index; PostgreSQL; query optimization; query planner
Abstrak: Performa query merupakan faktor penting dalam pengelolaan basis data berskala besar. Salah satu teknik optimasi yang umum digunakan adalah indexing. Penelitian ini bertujuan menganalisis pengaruh penggunaan indexing terhadap performa query pada PostgreSQL, membandingkan efektivitas B-Tree dan Hash index, serta mengevaluasi pengaruhnya terhadap keputusan query planner. Penelitian menggunakan metode eksperimen kuantitatif dengan dataset benchmark TPC-H pada skala SF0.1, SF1, dan SF10. Pengujian dilakukan menggunakan EXPLAIN ANALYZE pada exact match query, range query, dan join query dalam kondisi tanpa index, menggunakan B-Tree index, dan Hash index. Hasil penelitian menunjukkan bahwa indexing meningkatkan performa query secara signifikan. Pada exact match query dataset SF10, execution time menurun dari 93,36 ms tanpa index menjadi 0,034 ms menggunakan B-Tree dan 0,045 ms menggunakan Hash index. Pada join query, execution time berkurang dari 857,77 ms menjadi 0,180 ms menggunakan B-Tree dan 0,079 ms menggunakan Hash index. B-Tree menunjukkan performa yang konsisten pada berbagai jenis query, sedangkan Hash index memberikan performa terbaik pada query berbasis equality. Selain itu, penggunaan index memengaruhi keputusan query planner dalam memilih strategi eksekusi yang lebih efisien. Hasil penelitian menunjukkan bahwa pemilihan metode indexing yang tepat dapat meningkatkan efisiensi akses data pada PostgreSQL
Kata kunci: b-tree index; hash index; optimasi query; PostgreSQL; query planner
Abstract:Abstract: Existing IoT anomaly detection studies have achieved high classification performance, but most focus on accuracy and F1-score without explicitly controlling the false positive rate (FPR). In addition, many approaches…
oaches rely on a single detection perspective, limiting their operational reliability. To address this gap, this study proposes a hybrid anomaly detection framework integrating Long Short-Term Memory (LSTM), Shannon entropy, and autoencoder reconstruction error. Shannon entropy is incorporated as an additional feature, while LSTM and the autoencoder capture temporal and reconstruction characteristics. The resulting hybrid representation is processed by a constraint-based threshold selection mechanism that enforces FPR . Experiments on the TON-IoT and Edge-IIoTset datasets achieved average F1-scores of 0.9250 and 0.9934, while maintaining average FPR values of 0.0091 and 0.0714, respectively. Analysis of entropy distributions showed consistent differences between normal and anomalous traffic across both datasets, indicating that Shannon entropy provides discriminative information for anomaly detection. These results demonstrate strong detection performance with controlled false alarms, while ablation studies confirm the significant contribution of Shannon entropy to overall model performance.
Keywords: false positive rate; hybrid deep learning; Internet of Things; network anomaly detection; Shannon entropy
Abstrak: Penelitian deteksi anomali Internet of Things (IoT) telah menunjukkan performa klasifikasi yang tinggi, namun sebagian besar masih berfokus pada accuracy dan F1-score tanpa mengendalikan false positive rate (FPR) secara eksplisit. Selain itu, banyak pendekatan hanya memanfaatkan satu perspektif deteksi sehingga reliabilitas operasionalnya masih terbatas. Untuk mengatasi kesenjangan tersebut, penelitian ini mengusulkan kerangka deteksi anomali hybrid yang mengintegrasikan Long Short-Term Memory (LSTM), Shannon entropy, dan autoencoder reconstruction error. Shannon entropy digunakan sebagai fitur tambahan, sedangkan LSTM dan autoencoder menangkap karakteristik temporal dan deviasi rekonstruksi. Representasi hybrid yang dihasilkan kemudian diproses melalui mekanisme constraint-based threshold selection dengan batas FPR . Hasil pengujian pada dataset TON-IoT dan Edge-IIoTset menghasilkan F1-score rata-rata sebesar 0,9250 dan 0,9934, dengan FPR rata-rata sebesar 0,0091 dan 0,0714. Perbedaan nilai entropy yang konsisten antara trafik normal dan anomali pada kedua dataset menunjukkan bahwa Shannon entropy menyediakan informasi diskriminatif untuk deteksi anomali. Hasil tersebut menunjukkan performa deteksi yang kuat dengan false alarm yang terkendali, sementara studi ablasi mengonfirmasi kontribusi signifikan Shannon entropy terhadap performa model.
Kata kunci: deteksi anomali jaringan; false positive rate; hybrid deep learning; Internet of Things; Shannon entropy
Abstract:Abstract: The development of Artificial Intelligence (AI) in education provides significant opportunities for supporting the development of English teaching materials in elementary schools. However, the wide variety of available…
vailable AI tools makes it difficult for teachers to select the most appropriate tools for their instructional needs. This study aims to analyze and generate recommendations for AI utilization using a Decision Support System (DSS) based on the Analytical Hierarchy Process (AHP) and Simple Additive Weighting (SAW) methods. The AHP method is used to determine the weight of criteria based on their importance, while the SAW method is applied to rank alternative AI tools. This study involves teachers at SDN 15 Padang Genting in identifying criteria and evaluating alternatives. The results show that the proposed DSS model is capable of generating appropriate AI tool recommendations based on predefined criteria. This approach contributes to more objective and systematic decision-making in utilizing AI for developing English teaching materials in elementary education.
Keywords: analytical hierarchy proces; artificial intelligence; decision support system; simple additive weighting; teaching materials
Abstrak: Perkembangan Artificial Intelligence (AI) dalam pendidikan memberikan peluang dalam penyusunan bahan ajar Bahasa Inggris di sekolah dasar. Namun, banyaknya pilihan tools AI menyebabkan guru mengalami kesulitan dalam menentukan tools yang paling sesuai dengan kebutuhan pembelajaran. Penelitian ini bertujuan untuk menganalisis dan menghasilkan rekomendasi pemanfaatan AI menggunakan Sistem Pendukung Keputusan (SPK) berbasis metode Analytical Hierarchy Process (AHP) dan Simple Additive Weighting (SAW). Metode AHP digunakan untuk menentukan bobot kriteria berdasarkan tingkat kepentingannya, sedangkan metode SAW digunakan untuk melakukan perangkingan alternatif tools AI. Penelitian ini melibatkan guru di SDN 15 Padang Genting dalam proses identifikasi kriteria dan penilaian alternatif. Hasil penelitian menunjukkan bahwa model SPK mampu menghasilkan rekomendasi tools AI yang sesuai dengan kebutuhan pengguna berdasarkan kriteria yang telah ditentukan. Pendekatan ini memberikan kontribusi dalam mendukung pengambilan keputusan yang lebih objektif dan sistematis dalam pemanfaatan AI untuk penyusunan bahan ajar Bahasa Inggris di sekolah dasar.
Kata kunci: analisis proses hierarki; bahan ajar; kecerdasan buatan; sistem pendukung keputusan; simple additive weighting.
Abstract:Abstract: The rapid growth of e-commerce mobile applications has generated large volumes of user reviews, making manual sentiment analysis increasingly impractical. This study aims to compare the effectiveness of three machine…
achine learning algorithms Support Vector Machine (SVM), Random Forest, and Naive Bayes for automated sentiment classification of Indonesian-language mobile application reviews. A dataset of 3,000 user reviews from the RupaRupa application on the Google Play Store was collected and preprocessed through normalization, tokenization, stopword removal, and stemming. TF-IDF vectorization was applied for feature extraction, while the Synthetic Minority Over-sampling Technique (SMOTE) was used to address class imbalance across three sentiment categories: positive, negative, and neutral. The results show that SVM achieved the highest accuracy of 90.02%, while Random Forest obtained the best F1-score of 88.08% when sufficient training data were available. Naive Bayes demonstrated relatively stable performance across varying training data sizes. Furthermore, TF-IDF keyword analysis revealed that negative reviews were primarily associated with delivery issues, technical problems, and pricing concerns. These findings demonstrate the effectiveness of machine learning approaches for sentiment classification and provide practical insights for improving mobile application services.
Keywords: sentiment analysis; machine learning; SMOTE; TF-IDF; text classification
Abstrak: Pertumbuhan pesat aplikasi mobile e-commerce telah menghasilkan volume ulasan pengguna yang sangat besar, sehingga analisis sentimen secara manual menjadi semakin tidak praktis. Penelitian ini bertujuan untuk membandingkan efektivitas tiga algoritma machine learning Support Vector Machine (SVM), Random Forest, dan Naive Bayes dalam melakukan klasifikasi sentimen otomatis terhadap ulasan aplikasi mobile berbahasa Indonesia. Dataset yang digunakan terdiri dari 3.000 ulasan pengguna aplikasi RupaRupa yang dikumpulkan dari Google Play Store. Data kemudian diproses melalui tahapan preprocessing yang meliputi normalisasi, tokenisasi, penghapusan stopword, dan stemming. Ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), sedangkan ketidakseimbangan kelas ditangani menggunakan Synthetic Minority Over-sampling Technique (SMOTE) pada tiga kategori sentimen, yaitu positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa SVM mencapai tingkat akurasi tertinggi sebesar 90,02%, sementara Random Forest memperoleh nilai F1-score terbaik sebesar 88,08% ketika tersedia data pelatihan yang memadai. Naive Bayes menunjukkan performa yang relatif stabil pada berbagai ukuran data pelatihan. Selain itu, analisis kata kunci berbasis TF-IDF mengungkapkan bahwa ulasan negatif terutama berkaitan dengan masalah pengiriman, kendala teknis aplikasi, dan isu harga. Temuan ini menunjukkan bahwa pendekatan machine learning efektif untuk klasifikasi sentimen serta memberikan wawasan yang bermanfaat dalam meningkatkan kualitas layanan aplikasi mobile.
Kata Kunci: analisis sentimen; pembelajaran mesin; SMOTE; TF-IDF; klasifikasi teks.
Abstract:Abstract: Storage media is an inseparable tool in everyday life. With storage media, users can store important data, both personal and workplace. In addition, in many cases, Indonesian law uses storage media as evidence.…
The Electronic Information and Transactions Law (UU ITE) regulates how the provision of digital evidence can be strong evidence in court. This study examines the forensics of digital evidence on storage media with four test scenarios. Digital forensic processing uses forensic processes based on the National Institute of Standards and Technology (NIST) guidelines. This study produces an analysis in which evidence processed with scenarios 1 and 4 is valid digital evidence to be submitted to court, while evidence 2 and 3 is invalid evidence. The results of this digital evidence can be used for investigations under the ITE law.
Keywords: autopssy; digital forensics; storage media; FTK Imager.
Abstrak: Media Penyimpanan merupakan alat yang tak terpisahkan dari kehidupan sehari-hari. Dengan Media Penyimpanan, pengguna dapat menyimpan data penting, baik pribadi maupun tempat kerja. Selain itu, dalam banyak kasus, hukum Indonesia menggunakan Media Penyimpanan sebagai alat bukti. Undang-Undang Informasi dan Transaksi Elektronik (UU ITE) mengatur bagaimana penyediaan alat bukti digital menjadi alat bukti yang kuat di pengadilan. Penelitian ini mengkaji forensik terhadap alat bukti digital pada Media Penyimpanan dengan empat skenario pengujian. Pemrosesan forensik digital menggunakan proses forensik berdasarkan panduan National Institute of Standards and Technology (NIST). Penelitian ini menghasilkan analisis di mana alat bukti yang diproses dengan skenario 1 dan 4 merupakan alat bukti digital yang sah untuk diajukan ke pengadilan, sedangkan alat bukti 2 dan 3 merupakan alat bukti yang tidak sah. Hasil dari barang bukti digital ini, dapat digunakan untuk penyelidikan didalam undang-undang ITE.
Kata kunci: otopsi; forensik digital; media penyimpanan; FTK Imager
Abstract:Abstract: Mental health is an essential aspect of overall well-being, particularly for university students vulnerable to emotional strain. This study aims to identify clusters of student mental health trends using the K-Means…
Means clustering technique. The research involved 60 students from four academic programs at the Faculty of Science and Technology, selected using stratified and cluster sampling techniques. Data were collected using a modified Mental Health Inventory (MHI). The results revealed distinct commonalities among majors: the Statistics program was predominantly defined by the depressed cluster at 53.3%, while Mathematics followed at 40% within the same cluster. In contrast, Biology students predominantly fell under the neu-tral/stable cluster (66.7%), whilst Information Systems students exhibited an even distribution (33.3% per cluster) without a dominant trend. The clustering quality was evaluated using the Silhouette Coefficient, yielding a range of 0.39 to 0.60. Biology (0.60) and Statistics (0.54) exhibited a reasonable structure, but Information Systems (0.39) and Mathematics (0.34) demonstrated a deficient structure. In conclusion, K-Means effectively discerns mental health patterns, providing a data-driven basis for targeted psychological interventions in educational settings.
Keywords: biology; information systems; k-means; mathematics; mental health; silhouette coefficient; statistics
Abstrak: Kesehatan mental merupakan komponen vital dari kesejahteraan total, terutama bagi maha-siswa yang rentan terhadap stres emosional. Penelitian ini bertujuan untuk mengidentifikasi kelompok tren kesehatan mental mahasiswa melalui penerapan metode pengelompokan K-Means. Studi ini mencakup 60 mahasiswa dari empat program studi di Fakultas Sains dan Teknologi, yang dipilih melalui metode pengambilan sampel bertingkat dan kelompok. Data dikumpulkan dengan menggunakan Inventaris Kesehatan Mental (MHI) yang dimodifikasi. Temuan menunjukkan kesamaan yang jelas di antara jurusan: program studi Statistika terutama ditandai oleh kelompok depresi (53,3%), diikuti oleh Matematika dengan 40% dalam kelompok depresi. Sebaliknya, mahasiswa Biologi terutama termasuk dalam kelompok netral/stabil (66,7%), sedangkan mahasiswa Sistem Informasi memiliki distribusi yang merata (33,3% per kelompok) tanpa pola yang dominan. Kualitas pengelompokan dinilai dengan Koefisien Sil-houette, menghasilkan rentang 0,39 hingga 0,60. Biologi (0,60) dan Statistika (0,54) memiliki struktur sedang, sedangkan Sistem Informasi (0,39) dan Matematika (0,34) menunjukkan struktur yang buruk. Kesimpulannya, K-Means secara akurat mengidentifikasi tren kesehatan mental, menawarkan landasan berbasis data untuk terapi psikologis yang ditargetkan di ling-kungan pendidikan.
Kata kunci: biologi; kesehatan mental; K-Means; matematika; silhouette coefficient; sistem in-formasi; statistika
Abstract:Deteksi emosi secara fine-grained pada teks media sosial merupakan salah satu tantangan dalam bidang pemrosesan bahasa alami (Natural Language Processing/NLP), terutama karena sifat data yang tidak terstruktur dan multi-label.…
label. Penelitian ini bertujuan untuk mengevaluasi performa tiga model berbasis arsitektur Transformer, yaitu EmoBERT, RoBERTa, dan EmoRoBERTa, dalam tugas klasifikasi emosi pada teks dari dataset SenWave. Dataset ini terdiri dari 10.001 tweet berbahasa Inggris yang telah dilabeli ke dalam sepuluh kategori emosi, namun penelitian ini berfokus pada empat label utama: anxious, annoyed, empathetic, dan sad. Proses penelitian meliputi prapemrosesan data, tokenisasi, pembagian data latih dan uji, pelatihan model, serta evaluasi menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil evaluasi menunjukkan bahwa model EmoBERT dan EmoRoBERTa memiliki performa terbaik dengan nilai f1-score sebesar 0,81, sedangkan RoBERTa memperoleh nilai f1-score sebesar 0,73. Temuan ini menunjukkan bahwa penyesuaian arsitektur Transformer khusus untuk emosi dapat meningkatkan akurasi klasifikasi emosi pada teks media sosial.