Jurnal Komtika (Komputasi dan Informatika)

Penerapan Convolutional Neural Network (CNN) Untuk Prediksi Penyakit Tanaman Padi Melalui Citra Daun

Sariah Sariah, Nana Suarna, Irfan Ali, Dodi Solihudin — Sat, 31 May 2025 00:00:00 +0000

Penyakit tanaman padi merupakan salah satu faktor utama yang dapat menurunkan hasil produktivitas, terutama di negara agraris seperti Indonesia. Deteksi dini terhadap penyakit ini sangat penting untuk menghentikan pertumbuhan ekonomi lebih lanjut dan mengurangi kemerosotan ekonomi. Masalahnya, identifikasi tanaman padi secara manual membutuhkan banyak waktu dan tenaga, dan seringkali tidak efisien dalam skala besar. Untuk mengatasi masalah ini, tujuan dari penelitian ini adalah mengembangkan model untuk memprediksi penyakit tanaman yang dapat menganalisis gejala penyakit dari citra daun dengan akurasi yang tinggi, sehingga memungkinkan deteksi penyakit dan mitigasi dampak penyakit yang lebih efektif. Metode yang digunakan dalam penelitian ini yaitu algoritma Convolutional Neural Network (CNN) yang memungkinkan pengumpulan data citra daun padi dari berbagai kondisi kesehatan tanaman padi. Dataset yang digunakan dalam penelitian ini berasal dari sumber sekunder dan citra daun padi yang dikumpulkan secara langsung dilapangan. Dataset ini dianalisis menggunakan teknik augmentasi untuk meningkatkan kualitas dan keberagaman data. Berdasarkan hasil penelitian, model CNN terbaik mampu mendeteksi penyakit tanaman padi dengan akurasi hingga 87,43%. Model ini juga menunjukkan tingkat prediksi dan kepercayaan yang tinggi untuk beberapa penyakit kritis, seperti Blast, Blight, Dan Tungro. Hasil penelitian ini menunjukkan potensi CNN dalam membantu petani mendeteksi penyakit tanaman padi, yang pada akhirnya dapat meningkatkan produktivitas dan mengurangi kerugian.

Analisis Sentimen Terhadap Ulasan pada Aplikasi Astro Menggunakan Algoritma Support Vector Machine

Masriah Masriah, Wahyu Tisno Atmojo — Sat, 31 May 2025 00:00:00 +0000

Aplikasi Astro merupakan aplikasi quick commerce yang berfokus memberikan layanan belanja online dengan produk kategori groceries hingga kebutuhan rumah tangga dengan pengiriman dalam waktu hitungan menit. Aplikasi Astro dirilis pada tahun 2021 dan masih beroperasi sampai saat ini, maka dari itu penting bagi Astro untuk mengetahui tanggapan atau sentimen dari pelanggan terkait pelayanan yang telah diberikan agar dapat menjadi evaluasi bagi Astro supaya tetap menjaga kepuasan pengguna. Untuk mengetahui banyaknya sentimen bernada postif dan negatif dari pengguna, dilakukan penelitian mengenai analisis sentimen terhadap ulasan pengguna pada aplikasi Astro di Google Playstore menggunakan algoritma support vector machine (SVM). Data yang digunakan dalam penelitian ini yaitu sebanyak 1.000 ulasan dari hasil web scraping, kemudian data tersebut melalui tahap preprocessing, pelabelan data, pembagian data, pembobotan kata dengan TF-IDF, klasifikasi menggunakan support vector machine (SVM) dan kernel linear hingga evaluasi. Hasil dari penelitian ini yaitu diperoleh 696 ulasan bersentimen positif dan 304 ulasan bersentimen negatif, dengan evaluasi menggunakan confusion matrix diperoleh nilai akurasi sebesar 84%, presisi untuk kelas positif sebesar 93%, presisi untuk kelas negatif sebesar 69%, recall untuk kelas positif sebesar 83%, recall untuk kelas negatif sebesar 85%, f-1 score untuk kelas positif sebesar 88%, dan f-1 score untuk kelas negatif sebesar 76%. Dari hasil analisis diperoleh nilai akurasi yang baik dengan jumlah sentimen postif yang lebih besar sehingga dapat disimpulkan bahwa Aplikasi Astro memberikan pengalaman yang positif kepada pengguna.

Keywords: Aplikasi, Astro, Analisis Sentimen, Support Vector Machine

Aplikasi Augmented Reality interaktif untuk Informasi Denah PPM Ar-Royyaan Yogyakarta dengan Metode MDLC

Ruhamaja Aslaha, Annida Purnamawati, Nani Purwati — Sat, 31 May 2025 00:00:00 +0000

Penelitian ini berfokus pada pemanfaatan teknologi Augmented Reality (AR) untuk memvisualisasikan bangunan 3D Pondok Ar-Royyaan Yogyakarta dalam bentuk aplikasi berbasis Android. Di tengah peran strategis pondok pesantren dalam pendidikan Islam serta dominasi penduduk Muslim di Indonesia, calon santri dan masyarakat masih mengalami kesulitan dalam memperoleh informasi rinci mengenai fasilitas pesantren, seperti bentuk bangunan dan ukuran kamar. Penelitian ini menggunakan metode Multimedia Development Life Cycle (MDLC) dalam pengembangan aplikasinya. Aplikasi AR ini memanfaatkan marker sebagai pemicu untuk menampilkan objek 3D secara interaktif. Tujuan utamanya adalah memberikan pengalaman visual yang lebih mendalam mengenai tata letak dan fasilitas pondok pesantren. Hasil dari penelitian ini adalah terciptanya sebuah aplikasi yang memudahkan akses informasi bagi calon santri dan masyarakat umum. Manfaat yang diharapkan mencakup peningkatan efisiensi dalam penyebaran informasi serta kontribusi terhadap peningkatan kualitas pendidikan di pondok pesantren melalui integrasi teknologi modern. Dengan demikian, penelitian ini dapat menjadi inovasi dalam metode penyampaian informasi di lingkungan pendidikan Islam dan memperluas aksesibilitas informasi bagi masyarakat secara lebih luas.

Perbandingan Kinerja SVR dan XGBoost untuk Peramalan Emisi CO₂ Global berbasis Machine Learning

Sat, 31 May 2025 00:00:00 +0000

The increase in global carbon dioxide (CO2) emissions has become a major concern in climate change studies. This research aims to compare the performance of two machine learning algorithms, namely Support Vector Regression (SVR) and XGBoost, in predicting global CO2 emission trends based on historical data. The dataset used includes related variables such as energy consumption, gross domestic product (GDP), and population, obtained from open data sources like Our World in Data. SVR is optimized through grid search to obtain the best parameters, while XGBoost is used as the main comparator due to its ability to handle non-linear relationships and feature interactions. Model evaluation was conducted using the MAE, RMSE, and R2 metrics. The results show that XGBoost is significantly superior with an MAE of 1745.70 and an RMSE of 2663.18, as well as an R2 value of 0.93, compared to SVR which has an MAE of 5476.54, an RMSE of 8153.37, and an R2 value of 0.82. The visualization of the prediction results also indicates that XGBoost is more accurate in following the fluctuation patterns of actual data, especially in detecting sharp changes. These findings suggest that XGBoost is a more suitable method for forecasting CO2 emissions in complex and non-linear global contexts.

Studi Komprehensif Keamanan Siber: Perbandingan Teknologi AI dengan Sistem Non-AI dalam Deteksi dan Pencegahan Ancaman

Yollandaru Yoga Santika, Rianto Rianto, EIH Ujianto — Sat, 31 May 2025 00:00:00 +0000

This research examines cybersecurity approaches in Indonesia, focusing on the implementation of Artificial Intelligence (AI) technology compared to non-AI systems in detecting and preventing threats. The study identifies the advantages of AI, such as its capabilities in large-scale data analysis, detection of suspicious patterns, and reduction of human error. The methodology follows PRISMA guidelines for systematic literature review. Findings reveal that while AI can enhance threat detection effectiveness and resilience against attacks, the adoption of this technology in Indonesia remains limited by infrastructure, resources, and technical expertise. This research is expected to provide insights for more proactive national cybersecurity policies and support the development of AI technology in future information security initiatives.

Peningkatan Skalabilitas Server Menggunakan HAProxy dengan Algoritma Load Balancing Round-Robin

Sat, 31 May 2025 00:00:00 +0000

Skalabilitas server menjadi faktor penting dalam menjaga kinerja layanan berbasis web seiring meningkatnya jumlah pengguna. Salah satu pendekatan untuk meningkatkan skalabilitas adalah dengan menggunakan load balancing, di mana HAProxy menjadi salah satu pilihan yang banyak dimanfaatkan karena keandalannya. Penelitian ini bertujuan untuk menganalisis peningkatan kinerja server dengan implementasi HAProxy menggunakan algoritma load balancing Round-Robin. Metode penelitian yang diterapkan meliputi proses instalasi dan konfigurasi HAProxy, pengujian performa server dengan Apache JMeter, serta evaluasi distribusi beban kerja. Hasil penelitian ini mengindikasikan bahwa penggunaan HAProxy dengan algoritma Round-Robin efektif dalam menyebarkan beban secara merata dan secara signifikan mempercepat waktu respons server jika dibandingkan dengan sistem yang tidak menerapkan load balancing. Selain itu, kemampuan untuk menambah atau mengurangi jumlah server backend tanpa mempengaruhi kelancaran layanan yang ada menjadi salah satu keunggulan yang sangat menonjol. Oleh karena itu, penerapan HAProxy dengan algoritma Round-Robin direkomendasikan sebagai solusi efektif dalam meningkatkan skalabilitas server, terutama untuk sistem yang menangani lalu lintas tinggi dan membutuhkan distribusi beban yang optimal.

Analisis Efektivitas Dua Jenis Gaya Prompt dalam Model LLM Berbasis RAG

Muhammad Ainur Rizky — Fri, 23 May 2025 00:00:00 +0000

This study aims to analyse the effectiveness of two prompt styles, namely guided prompt and free prompt, in influencing the quality of answers generated by a Retrieval-Augmented Generation (RAG)-based Large Language Model (LLM) system using the META-Llama 3 model. The system is designed to answer questions based on reference documents stored in vector form through an embedding process. The research was conducted using questions formed in two versions of the prompt style, and the answer results were evaluated using two metrics ROUGE and BERTScore. The results showed that guided prompts resulted in higher scores on ROUGE-1, ROUGE-2, and ROUGE-L metrics reflecting a better level of precision and lexical agreement. Meanwhile, the BERTScore between the two prompt styles did not show any significant difference, meaning that in terms of meaning or semantic similarity, they provided relatively equivalent results. These findings suggest that prompt design has a real impact on the structure and precision of answers.

Analisis Kinerja Support Vector Machine dan Moving Averages Convergence Divergence Untuk Saham-Saham Perbankan Indonesia

Andreas Anditya Purnama, Yuan Lukito, Nugroho Agus Haryono — Sat, 31 May 2025 00:00:00 +0000

This study discusses the Machine Learning algorithm with technical indicator features in predicting the movement of Indonesian banking sector stocks. Many people seek profit in Indonesian banking stocks because most of them have good fundamentals but have high volatility. The strategy that can be used is the Support Vector Machine (SVM) algorithm with the Moving Averages Convergence Divergence (MACD) technical indicator feature. The SVM algorithm is used because it can process stock price movement data and technical indicators which tend to be complex. This research was conducted with the aim of contributing to the development of a machine learning-based stock prediction model that can be used by academics and financial practitioners. The research stages are collecting historical data on Infobank15 stock movements, data cleaning, training and testing the SVM model, then backtesting. The research methodology includes data processing using Python, training and testing the SVM model, then trading simulation with an initial capital of IDR 100 million. The kernels tested include RBF, Polynomial, and Sigmoid. Model performance is evaluated based on return, win rate, profit ratio, Sharpe ratio, maximum drawdown, risk-reward ratio, and accuracy rate. Historical data of Infobank15 stock is used in this study where the dataset is historical data from 2019-2024 for training and testing the model and historical data from 2024 for backtesting. Based on the experimental results obtained, it can be concluded that the combination of the SVM model and the MACD indicator yields favourable outcomes. The kernel that provides the best overall results is the Polynomial kernel.

Penelitian ini membahas penerapan Machine Learning dengan fitur indikator teknikal dalam memprediksi pergerakan saham sektor perbankan Indonesia. Banyak masyarakat mencari keuntungan di saham perbankan Indonesia karena sebagian besar memiliki fundamental yang baik, namun memiliki volatilitas yang tinggi. Strategi yang dapat digunakan yaitu algoritma Support Vector Machine (SVM) dengan fitur indikator teknikal Moving Averages Convergence Divergence (MACD). Algoritma SVM dipakai karena dapat mengolah data-data pergerakan harga saham dan indikator teknikal yang di mana cenderung kompleks. Riset ini dilakukan dengan tujuan berkontribusi pada pengembangan model prediksi saham berbasis Machine Learning yang dapat digunakan oleh akademisi dan praktisi keuangan. Tahapan risetnya yaitu pengumpulan data historis pergerakan saham Infobank15, pembersihan data, pelatihan dan pengujian model SVM, kemudian backtesting. Metodologi risetnya meliputi pengolahan data menggunakan Python, pelatihan dan pengujian model SVM, kemudian simulasi trading. Kernel yang diuji antara lain Radial Basis Function, Polynomial, dan Sigmoid. Kinerja model dievaluasi berdasarkan return, win-rate, profit ratio, sharpe ratio, maximum drawdown, risk-reward ratio, dan accuracy rate. Data historis saham Infobank15 digunakan dalam penelitian ini adalah tahun 2019-2024 untuk pelatihan dan pengujian model serta data historis 2024 untuk backtesting. Dari hasil percobaan yang telah dilakukan, dapat disimpulkan bahwa kombinasi model SVM dan indikator MACD memberikan hasil yang baik. Kernel yang memberikan hasil terbaik secara keseluruhan adalah Polynomial.

Web Game Implementasi Metode Agile dalam Pembuatan Sistem Game Edukatif Berbasis Web untuk Pembelajaran Bahasa Inggris Tingkat Sekolat Dasar

Ayu Okta Pratiwi, M Riski Qisthiano, Nanda Aftaa Aulia — Sat, 31 May 2025 00:00:00 +0000

This research aims to develop a web-based educational game system aimed at supporting the English language learning process at the elementary school level. The main problem raised is the low interest and motivation of students in learning English through conventional learning methods which tend to be monotonous. To overcome this, a technology-based approach is used by applying Agile methods in the system development process. The Agile method was chosen because it is flexible and allows system development to be carried out gradually and repeatedly according to user needs. The development process includes planning, design, implementation, testing and evaluation stages. The system developed consists of several main features, such as a login page, user dashboard, and game page which includes listening, vocabulary and sentence material. The results of this research show that the system built is able to provide a more interesting, interactive and effective learning experience for elementary school students. Thus, the application of web-based educational game technology can be an alternative solution that supports improving the quality of English learning

Evaluasi Kinerja Algoritma Random Forest Dan Gradient Boosting Untuk Klasifikasi Penyakit Jantung

Mon, 02 Jun 2025 00:00:00 +0000

Penyakit jantung masih menjadi salah satu penyebab kematian utama di dunia, sehingga diperlukan diagnosis dini yang akurat untuk mengurangi risiko yang ditimbulkan. Kemajuan teknologi machine learning memberikan peluang baru untuk membantu tenaga medis dalam memprediksi penyakit jantung secara lebih efisien dan tepat. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja dua algoritma pembelajaran terawasi yang populer, yaitu Random Forest dan Gradient Boosting, dalam klasifikasi penyakit jantung. Dataset yang digunakan terdiri dari 1.000 baris data dengan sejumlah fitur yang merepresentasikan berbagai faktor risiko penyakit jantung. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest unggul dibandingkan Gradient Boosting dalam seluruh metrik evaluasi. Random Forest memperoleh akurasi sebesar 99,5%, sementara Gradient Boosting memperoleh 98,5%. Selain itu, Random Forest mencapai nilai sempurna (100%) pada presisi kelas 0, recall kelas 1, dan F1-score kelas 1, menunjukkan kemampuannya yang tinggi dalam klasifikasi penyakit jantung. Model yang dikembangkan ini memiliki potensi besar untuk diterapkan sebagai alat bantu pengambilan keputusan dalam sistem layanan kesehatan, terutama pada tahap skrining awal dan penilaian risiko pasien. Dengan mengidentifikasi pola dan fitur kunci yang berhubungan dengan penyakit jantung, model ini dapat mendukung tenaga medis dalam memberikan keputusan klinis yang lebih cepat dan tepat sasaran.

Analisis Pengalaman Pengguna Pada Aplikasi Absensi Kafe ABC Menggunakan Usability Testing

Frans Kenny Chandra, Wahyu Tisno Atmojo — Mon, 02 Jun 2025 00:00:00 +0000

Penelitian ini bertujuan untuk menganalisis pengalaman pengguna dalam menggunakan aplikasi absensi berbasis web di kafe ABC yang berfungsi sebagai laboratorium hidup bagi mahasiswa Culinary Arts. Dalam era digitalisasi bisnis, aplikasi berbasis teknologi menjadi kebutuhan penting untuk mendukung operasional bisnis, termasuk di sektor jasa seperti kafe. Fokus penelitian ini adalah untuk mengevaluasi efektivitas desain User Interface (UI) dan User Experience (UX) aplikasi absensi tersebut menggunakan metode Usability Testing. Penelitian ini melibatkan 17 responden pekerja kafe yang diukur menggunakan System Usability Scale (SUS) untuk mendapatkan skor kegunaan sistem. Hasil penelitian menunjukkan skor rata-rata SUS sebesar 85,2, yang mengindikasikan bahwa aplikasi absensi ini termasuk dalam kategori "Sangat Baik." Meskipun demikian, beberapa perbaikan disarankan, seperti penghapusan fitur catatan awal, penambahan fitur notifikasi, dan peningkatan personalisasi. Penelitian ini diharapkan dapat memberikan wawasan bagi pengembang aplikasi untuk meningkatkan kualitas UI dan UX serta menjadi referensi bagi bisnis lain yang ingin mengadopsi digitalisasi operasional.

User Experience Aplikasi Preschool Assessment menggunakan Pendekatan Child Centered Design

Sat, 31 May 2025 00:00:00 +0000

Every child is unique, showcasing individual personalities, preferences, and skills from an early age. Therefore, families, educators, and caregivers need to monitor children's development to ensure they meet physical, emotional, and cognitive milestones appropriate to their age. Preschool assessment is critical in identifying developmental progress across domains such as moral and religious values, motor skills, mental abilities, language, socio-emotional skills, and artistic expression. However, limited parental knowledge and young children's communication barriers often hinder practical assessment. This study aims to develop and model the user interface of a Preschool Assessment application using the Child-Centered Design (CCD) approach, which positions children at the heart of the system design process. CCD incorporates children's characteristics through indirect engagement facilitated by the involvement of parents and teachers. The resulting interface prototype was evaluated using the System Usability Scale (SUS), with participation from 20 children and 15 parents or teachers. The SUS scores averaged 86.25 from children and 84.17 from parents/teachers, categorized as "Excellent." These results indicate that the interface achieved a high level of usability and is well-aligned with the needs and characteristics of preschool-aged users

Prediksi Curah Hujan Di Kabupaten Bogor Menggunakan Long Short-Term Memory Dan Gemma 2

Indra Wijaya, Herlawati Herlawati, Rafika Sari — Sat, 31 May 2025 00:00:00 +0000

Bogor Regency is an area that often experiences prolonged rainfall, especially during the rainy season. High rainfall causes problems such as floods and landslides. Therefore, accurate rainfall prediction is important for various needs, especially in disaster mitigation. This study aims to implement the Long Short-Term Memory (LSTM) algorithm as a model for prediction of historical rainfall data and use the Large Language Model (LLM) GEMMA 2 to provide interpretation of prediction results and recommendations based on the prediction results. The methods used include data collection from the BMKG online data website totaling 1804 data, data pre-processing, model building, model performance evaluation, and interpretation of results using LLM. The results of this study show that LSTM is able to produce the best performance by showing MSE 201.92 mm², Root Mean Square Error (RMSE) of 14.21 mm. the RMSE value shows an average error of 14.21 mm. In addition, the interpretation provided by LLM GEEMA 2 to help understand the prediction and provide practical recommendations for disaster mitigation due to rainfall.