Journal of Computer Science and Artificial Intelligence (JCSAI)

EVALUASI KINERJA MODEL YOLOV8 UNTUK DETEKSI OBJEK KECIL PADA ALAT BEDAH DENGAN DUKUNGAN AUGMENTASI ROBOFLOW

Sat, 28 Feb 2026 00:00:00 +0000

Deteksi alat bedah secara otomatis di ruang operasi berpotensi meningkatkan keselamatan pasien dan efisiensi kerja tim medis, namun deteksi alat berukuran kecil masih menantang karena ukuran objek yang hanya mencakup sedikit piksel, occlusion, pantulan alat, serta ketidakseimbangan kelas pada dataset publik. Penelitian ini bertujuan merancang, mengimplementasikan, dan mengevaluasi model deteksi alat bedah kecil berbasis YOLOv8 dengan dukungan preprocessing dari platform Roboflow. Dataset yang digunakan adalah Surgical Tools Detection dari Roboflow, kemudian diverifikasi anotasinya dan diproses melalui augmentasi seperti resizing ke 640×640 piksel, flipping, serta penyesuaian exposure untuk memperkaya variasi data. Dataset dibagi menjadi train (70%), validasi (20%), dan test (10%) agar evaluasi objektif. Pelatihan dilakukan menggunakan Ultralytics YOLOv8 pada lingkungan komputasi GPU, dengan pemilihan bobot terbaik berdasarkan performa validasi. Evaluasi akhir pada data uji memakai metrik precision, recall, dan mean Average Precision (mAP). Hasil menunjukkan model mencapai precision 89,3%, recall 86,7%, dan mAP50 91,5%, menandakan YOLOv8 yang dipadukan dengan preprocessing Roboflow mampu mendeteksi alat bedah kecil secara akurat dan cukup stabil untuk skenario real-time simulatif. Temuan ini menegaskan pentingnya pipeline end-to-end yang terstruktur dan augmentasi berbasis domain untuk meningkatkan kinerja small object detection pada citra bedah.

KLASIFIKASI PENYAKIT DAUN PISANG MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN) BERBASIS EKSTRAKSI FITUR WARNA DAN TEKSTUR

Suranto ., Martanto ., Denni Pratama, Agus Bahtiar, Riri Narasati — Sat, 28 Feb 2026 00:00:00 +0000

Daun pisang rentan terhadap berbagai penyakit merusak seperti Black Sigatoka, Cordana, dan Pestalotiopsis yang menyebabkan penurunan hasil panen secara signifikan [1][2]. Penelitian ini mengembangkan model klasifikasi penyakit daun pisang menggunakan algoritma K-Nearest Neighbor (KNN) dengan ekstraksi fitur warna dan tekstur berbasis model warna HSV [3] dan Histogram of Oriented Gradients [4]. Dataset BananaLSD [5] digunakan sebagai dataset utama. Proses penelitian meliputi tahapan prapemrosesan seperti perubahan ukuran, penghilangan noise, segmentasi, dan augmentasi [6], ekstraksi fitur, penggabungan fitur, normalisasi, serta pelatihan model KNN dengan beberapa nilai k dan metrik jarak [7]. Hasil pengujian menunjukkan bahwa model mencapai akurasi 96,17%, presisi 94,8%, recall 95,2%, dan F1-score 95%. Kombinasi fitur HSV dan HOG dengan KNN terbukti memberikan performa klasifikasi yang tinggi dengan kebutuhan komputasi rendah, sehingga sesuai untuk sistem pertanian skala kecil dengan keterbatasan sumber daya [8].

SISTEM INFORMASI PENERIMAAN SPP DAN MONITORING TUNGGAKAN SPP BERBASIS WEB PADA KB MANGGAR SARI

Rizki Fauziah, Willy Prihartono, Nining Rahaningsih, Kaslani . — Sat, 28 Feb 2026 00:00:00 +0000

Pengelolaan pembayaran SPP di KB Manggarsari sebelumnya masih dilakukan secara manual, mulai dari pencatatan transaksi hingga pemantauan tunggakan siswa. Cara terebut sering menimbulkan kendala, seperti kesalahan pencatatan, keterlambatan penyusunan laporan, serta kesulitan dalam mengetahui status pembayaran siswa secara cepat dan akurat. Kondisi ini menyebabkan proses administrasi keuangan sekolah menjadi kurang efektif dan efisien. Penelitian ini bertujuan untuk merancang dan membangun sistem informasi penerimaan SPP dan monitoring tunggakan berbasis web yang dapat membantu sekolah dapat membantu sekolah dalam mengelola administrasi pembayaran dengan lebih baik. Sistem dikembangkan menggunakan bahasa pemrograman PHP dan basis data MySQL dengan ,metode pengembangan perangkat lunak waterfall. Fitur utama sistem meliputu pengelolaan data siswa, pencatatan transaksi pembayaran SPP, pemantauan tunggakan, serta penyajian laporan pembayaran. Hasil penerapan sistem menujukkan bahawa sistem informasi yang dibangun mampu mempercepat proses pencatatan pembayaran, mengurangi kesalahan administrasi, serta mempermudahkan bendahara dalam memantau status pembayaran dan tunggakan siswa. Selain itu, laporan pemabayarandapat dihasilkan secara lebih rapi dan terstruktur. Dengan demikian, sistem informasi penerimaan SPP dan monitoring tunggakan berbasis web ini dapat meningkatkan efisien, ketertiban dan transparansi dalam pengelolaan administrasi keuangan di KB Manggarsari.

PENERAPAN ALGORITMA FUZZY C-MEANS UNTUK SEGMENTASI PELANGGAN BERBASIS MODEL RFM PADA DATA TRANSAKSI E-COMMERCE

Dimas Pramudya, Nana Suarna, Agus Bahtiar, Indra Wiguna Marthanu, Kaslani . — Sat, 28 Feb 2026 00:00:00 +0000

Penelitian ini bertujuan untuk merancang dan mengimplementasikan model segmentasi pelanggan e-commerce menggunakan integrasi metode Recency, Frequency, Monetary (RFM) dan algoritma Fuzzy C-Means (FCM). Metode RFM digunakan untuk mengevaluasi perilaku pelanggan berdasarkan waktu pembelian terakhir, frekuensi transaksi, dan total nilai pembelian, sedangkan FCM diaplikasikan untuk melakukan segmentasi berdasarkan keanggotaan fuzzy yang mencerminkan derajat keterlibatan pelanggan dalam setiap klaster. Prosedur penelitian meliputi pemuatan dan pembersihan data transaksi, perhitungan skor RFM, normalisasi data menggunakan Min-Max scaling, evaluasi jumlah klaster menggunakan indeks Davies-Bouldin dan Xie-Beni, serta implementasi algoritma FCM. Hasil penelitian menunjukkan bahwa lima klaster optimal dapat mengelompokkan pelanggan ke dalam segmen yang representatif, seperti pelanggan loyal, potensial, dan dorman. Visualisasi hasil menunjukkan distribusi yang jelas antar segmen dan membantu dalam mengidentifikasi strategi retensi pelanggan yang lebih efektif. Model ini memberikan pendekatan adaptif berbasis data yang relevan dengan dinamika perilaku pelanggan digital masa kini, serta mendukung pengambilan keputusan bisnis yang lebih tepat sasaran.

CUSTOMER SEGMENTATION USING K-MEANS ALGORITHM TO SUPPORT MARKETING STRATEGIES AT PT. SINAR SOSRO

Yumie Atmaja, Kaslani ., Ahmad Faqih, Cep Lukman Rohmat, Fathurrohman . — Sat, 28 Feb 2026 00:00:00 +0000

Persaingan pasar yang ketat menuntut perusahaan seperti PT. Sinar Sosro untuk mengoptimalkan strategi pemasarannya melalui pemahaman pelanggan yang lebih mendalam. Penelitian ini bertujuan mengidentifikasi segmen pelanggan produk Sosro menggunakan data transaksi, yaitu frekuensi belanja dan total pembelian. Metode yang digunakan adalah algoritma K-Means, sebuah teknik unsupervised learning yang mampu mengelompokkan data secara otomatis. Hasil analisis menunjukkan tiga klaster pelanggan yang berbeda: Klaster 1 (Pelanggan Loyal), Klaster 2 (Pelanggan Regular), dan Klaster 3 (Pelanggan Potensial). Berdasarkan segmentasi ini, PT. Sinar Sosro dapat merancang strategi pemasaran yang lebih terarah, seperti program loyalitas untuk pelanggan klaster 1 dan kampanye akuisisi untuk klaster 3, guna meningkatkan efektivitas pemasaran dan profitabilitas perusahaan

KLASIFIKASI KELAYAKAN SISWA PENERIMA PIP MENGGUNAKAN ALGORITMA NAIVE BAYES SMP NEGERI 1 LEMAHABANG

Siti Nur Fadilah, Willy Prihartono, Nining Rahaningsih, Kaslani . — Sat, 28 Feb 2026 00:00:00 +0000

Program Indonesia Pintar (PIP) merupakan bantuan pemerintah yang bertujuan membantu siswa dari keluarga kurang mampu agar dapat melanjutkan pendidikan, namun dalam pelaksanaannya masih ditemukan ketidaktepatan sasaran akibat proses seleksi yang dilakukan secara manual. Berdasarkan hasil observasi di SMP Negeri 1 Lemahabang, penentuan kelayakan penerima PIP masih bergantung pada data administrasi dan wawancara tanpa analisis berbasis data, sehingga menimbulkan ketidaksesuaian antara kondisi ekonomi orang tua dengan status penerimaan bantuan. Akar permasalahan tersebut adalah belum optimalnya pemanfaatan data sosial ekonomi siswa sebagai dasar pengambilan keputusan. Oleh karena itu, penelitian ini menerapkan metode data mining menggunakan algoritma Naïve Bayes untuk mengklasifikasikan kelayakan siswa penerima PIP. Data yang digunakan sebanyak 454 data siswa yang kemudian diproses melalui tahapan Knowledge Discovery in Databases (KDD), meliputi seleksi data, pembersihan data, transformasi data, data mining, dan evaluasi, dengan bantuan aplikasi RapidMiner. Tujuan penelitian ini adalah untuk memprediksi kelayakan penerima PIP secara objektif serta mengetahui tingkat akurasi algoritma Naïve Bayes. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes menghasilkan nilai akurasi sebesar 61,06%, nilai recall sebesar 68,25% untuk kelas layak dan 52,00% untuk kelas tidak layak, serta nilai AUC sebesar 0,633 yang termasuk dalam kategori poor classification. Hasil tersebut menunjukkan bahwa algoritma Naïve Bayes dapat digunakan sebagai alat bantu pendukung keputusan dalam menentukan kelayakan penerima PIP, meskipun masih perlu pengembangan lebih lanjut untuk meningkatkan kinerjanya.

ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI QUORA MENGGUNAKAN METODE MULTINOMIAL NAÏVE BAYES DAN TF-IDF

Sat, 28 Feb 2026 00:00:00 +0000

Penelitian ini bertujuan menganalisis sentimen pada ulasan pengguna aplikasi Quora dengan membangun model klasifikasi menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) dan algoritma Multinomial Naïve Bayes. Sebanyak 2.000 ulasan dikumpulkan melalui web scraping dari Google Play Store, kemudian diseleksi dan diberi label secara manual hingga menghasilkan 1.631 ulasan yang layak dianalisis. Tahap preprocessing meliputi pembersihan teks, case folding, normalisasi, tokenisasi, penghapusan stopword, dan stemming untuk menjaga konsistensi data. Data yang telah diproses kemudian dibagi menjadi data latih dan data uji sebelum melalui ekstraksi fitur menggunakan TF-IDF. Model Multinomial Naïve Bayes dilatih pada data latih dan dievaluasi menggunakan akurasi, precision, recall, F1-score, dan confusion matrix. Hasil evaluasi menunjukkan bahwa model mencapai akurasi 80%, dengan performa tertinggi pada kelas positif (F1-score 0.89), performa sedang pada kelas negatif (F1-score 0.62), dan performa terendah pada kelas netral (F1-score 0.47). Temuan ini menunjukkan bahwa kombinasi TF-IDF dan Multinomial Naïve Bayes efektif untuk klasifikasi sentimen ulasan berbahasa Indonesia, meskipun sentimen netral masih menjadi tantangan karena sifatnya yang ambigu. Penelitian ini diharapkan dapat mendukung pengembangan sistem analisis sentimen otomatis untuk pemantauan kualitas layanan aplikasi secara berkelanjutan.

PENGARUH PREPROCESSING WARNA PADA DETEKSI TEPI FREI CHEN DAN CONVOLUTIONAL NEURAL NETWORK

Sat, 28 Feb 2026 00:00:00 +0000

Penelitian ini mengevaluasi pengaruh tiga metode preprocessing warna, yaitu Grayscale, HSV-V, dan LAB-L terhadap kualitas peta tepi hasil operator Frei-Chen serta dampaknya pada performa klasifikasi citra menggunakan Convolutional Neural Network (CNN). Setiap kanal warna menghasilkan karakteristik luminansi berbeda yang berdampak pada struktur tepi, kestabilan kontras, dan sensitivitas noise. Dataset Intel Image Classification digunakan sebagai objek uji dengan fokus pada tiga kelas citra alam. Tahapan penelitian meliputi konversi kanal warna, normalisasi, ekstraksi tepi menggunakan sembilan kernel Frei-Chen, serta pelatihan CNN dengan arsitektur seragam. Evaluasi kualitas peta tepi dilakukan menggunakan PSNR, SSIM, dan Edge Density, sedangkan performa CNN dianalisis melalui accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa LAB-L menghasilkan peta tepi paling stabil dengan SSIM tertinggi dan Edge density seimbang, sementara HSV-V memberikan kontras tepi lebih kuat namun disertai peningkatan noise. Pada klasifikasi, LAB-L mencapai akurasi 91.61%, HSV-V 92.04%, dan Grayscale 91.68%. Studi ini memberikan pemahaman bahwa pemilihan kanal warna berpengaruh signifikan terhadap kualitas fitur struktural dan performa CNN. Temuan penelitian ini dapat menjadi dasar pemilihan kanal optimal pada aplikasi Computer Vision yang memerlukan deteksi tepi presisi tinggi.

ANALISIS ROBUSTITAS MODEL KLASIFIKASI CITRA CUACA TERHADAP VARIASI RESOLUSI DENGAN AUGMENTASI DATA ADAPTIF

Muhammad Dani Ardiansyah, Dian Ade Kurnia, Yudhistira Arie Wijaya, Nana Suarna — Sat, 28 Feb 2026 00:00:00 +0000

Penelitian ini menganalisis robustitas model Convolutional Neural Network (CNN) terhadap variasi resolusi citra pada tugas klasifikasi cuaca melalui penerapan strategi augmentasi data adaptif. Teknik augmentasi adaptif yang digunakan meliputi instance-wise random crop, random flip, random rotation, dan penyesuaian kontras berbasis ambang, yang dirancang untuk meningkatkan ketahanan model terhadap perubahan skala, derau, dan variasi pencahayaan. Arsitektur CNN dibangun secara efisien menggunakan tiga blok konvolusi dan GlobalAveragePooling2D, sehingga model tetap ringan namun mampu mempertahankan representasi fitur yang stabil pada berbagai dimensi masukan. Eksperimen dilakukan pada tiga resolusi pengujian, yaitu 128×128, 224×224, dan 300×300. Hasil pengujian menunjukkan performa yang stabil dengan akurasi masing-masing sebesar 92,71%, 91,67%, dan 91,67%, sementara nilai macro F1-score berturut-turut adalah 0,9284; 0,9178; dan 0,9178. Perbedaan akurasi maksimum hanya sebesar 1,04 pp, yang mengindikasikan bahwa perubahan resolusi tidak berpengaruh signifikan terhadap kemampuan model dalam mengenali pola visual kondisi cuaca. Selain itu, penerapan augmentasi adaptif terbukti meningkatkan akurasi validasi sebesar 3–5 pp, sehingga membantu mengurangi overfitting dan meningkatkan generalisasi model. Hasil penelitian ini menegaskan bahwa kombinasi arsitektur CNN berbasis GlobalAveragePooling2D dan augmentasi adaptif mampu menjaga konsistensi kinerja model pada berbagai resolusi citra cuaca. Temuan tersebut menunjukkan bahwa model layak diterapkan pada perangkat dengan spesifikasi beragam tanpa risiko degradasi performa yang signifikan.

KINERJA RETINEX SKALA TUNGGAL DAN MULTISKALA PADA PENINGKATAN KUALITAS VISUAL CITRA GELAP

Marlina, Bambang Irawan, Ahmad Faqih, Arif Rinaldi Dikananda, Fathurrohman . — Sat, 28 Feb 2026 00:00:00 +0000

Peningkatan kualitas visual pada citra bercahaya rendah menjadi tantangan penting dalam pengolahan citra digital, terutama ketika citra digunakan untuk klasifikasi atau deteksi objek otomatis. Dalam pertanian digital, deteksi hama berbasis Convolutional Neural Network (CNN) sering mengalami penurunan akurasi karena pencahayaan rendah membuat fitur visual objek kurang terlihat. Untuk mengatasi hal tersebut, penelitian ini menerapkan algoritma peningkatan citra Retinex, yaitu Single Scale Retinex (SSR) dan Multi Scale Retinex (MSR), sebagai tahap praproses pada citra hama yang disimulasikan dalam kondisi low-light. Citra hasil peningkatan kemudian diklasifikasikan menggunakan arsitektur MobileNetV2 dengan pendekatan transfer learning. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan loss untuk menilai efektivitas SSR dan MSR dalam meningkatkan performa model. Hasil penelitian diharapkan menunjukkan bahwa algoritma Retinex mampu memperbaiki kualitas visual citra gelap dan meningkatkan akurasi klasifikasi. Temuan ini diharapkan mendukung pengembangan sistem deteksi hama otomatis yang lebih adaptif terhadap variasi pencahayaan lapangan.

PENERAPAN SISTEM ANTRIAN JASA CUCI MOBIL BERBASIS WEBSITE

Huda Alfaris, Irfan Ali — Sat, 28 Feb 2026 00:00:00 +0000

Perkembangan teknologi informasi mendorong berbagai bidang usaha untuk beralih dari sistem manual ke sistem berbasis digital, termasuk pada sektor jasa cuci mobil. Pada usaha jasa cuci mobil Kilap Santai, proses pemesanan dan pengelolaan antrian masih dilakukan secara manual, yaitu pelanggan harus datang langsung ke lokasi untuk mendaftar, data dicatat secara tertulis, dan antrian diatur tanpa sistem yang terintegrasi. Kondisi tersebut menimbulkan berbagai permasalahan, seperti antrian yang tidak teratur, kesalahan pencatatan data, serta kesulitan dalam pengelolaan dan pembuatan laporan transaksi. Penelitian ini bertujuan untuk merancang dan membangun sistem informasi manajemen pemesanan antrian jasa cuci mobil berbasis website sebagai solusi untuk meningkatkan efisiensi pelayanan dan pengelolaan data. Sistem ini dirancang agar pelanggan dapat melakukan pemesanan antrian secara online berdasarkan tanggal dan jam yang dipilih, memperoleh nomor antrian secara otomatis, serta mendapatkan bukti pemesanan. Di sisi lain, sistem ini membantu admin dalam mengelola data pelanggan, memantau status pengerjaan layanan, mencatat transaksi pembayaran, serta menyusun laporan secara lebih cepat dan terstruktur. Metode pengembangan sistem yang digunakan adalah metode Waterfall, yang meliputi tahapan analisis kebutuhan, perancangan sistem, implementasi, pengujian, dan pemeliharaan. Tahap analisis kebutuhan dilakukan melalui pengamatan langsung terhadap proses pelayanan di lokasi usaha serta pengumpulan informasi dari pihak pengelola. Tahap perancangan mencakup pembuatan diagram konteks, Data Flow Diagram (DFD), Entity Relationship Diagram (ERD), perancangan basis data, dan perancangan antarmuka sistem. Implementasi sistem dilakukan menggunakan bahasa pemrograman PHP dengan database MySQL. Pengujian sistem dilakukan menggunakan metode Black Box untuk memastikan setiap fungsi sistem berjalan sesuai dengan kebutuhan pengguna. Hasil penelitian menunjukkan bahwa sistem informasi manajemen pemesanan antrian jasa cuci mobil berbasis website mampu meningkatkan keteraturan antrian, mempercepat proses pelayanan, serta mempermudah pengelolaan data dan pembuatan laporan. Dengan diterapkannya sistem ini, pelayanan jasa cuci mobil Kilap Santai menjadi lebih efektif, efisien, dan terintegrasi dibandingkan dengan sistem manual sebelumnya.

EVALUASI PERFORMA DENSENET-CNN UNTUK DETEKSI MALARIA PADA CITRA MIKROSKOPIS SEL DARAH MERAH

Tiana Sari, Rudi Kurniawan, Bani Nurhakim, Indra Pratama Putra, Kaslani . — Sat, 28 Feb 2026 00:00:00 +0000

Malaria merupakan penyakit infeksi yang disebabkan oleh parasit Plasmodium dan ditularkan melalui gigitan nyamuk Anopheles. Proses identifikasi parasit pada citra mikroskopis sel darah merah umumnya masih dilakukan secara manual, sehingga membutuhkan waktu, ketelitian tinggi, dan rentan terhadap kesalahan. Penelitian ini bertujuan untuk menganalisis efektivitas Convolutional Neural Network (CNN) berbasis arsitektur DenseNet dalam mendeteksi malaria pada citra mikroskopis. Dataset penelitian terdiri atas 550 citra sel darah merah yang dikelompokkan ke dalam dua kelas, yaitu Parasitized dan Uninfected. Proses penelitian meliputi tahapan prapemrosesan, augmentasi data, implementasi DenseNet121, serta evaluasi performa model menggunakan data validasi dan pengujian. Hasil penelitian menunjukkan bahwa model mampu menghasilkan prediksi dengan tingkat akurasi dan konsistensi yang tinggi, ditandai dengan keyakinan prediksi lebih dari 90% pada sebagian besar citra uji. Model juga menunjukkan kemampuan yang baik dalam membedakan sel darah merah yang terinfeksi dan tidak terinfeksi. Dengan demikian, CNN berbasis DenseNet terbukti efektif dan potensial untuk diterapkan sebagai sistem pendukung diagnosis malaria berbasis citra mikroskopis.

PENERAPAN MULTINOMIAL NAÏVE BAYES UNTUK KLASIFIKASI SENTIMEN PADA ULUSAN PENGGUNA KREDIVO

Ariska Sari, Bambang Irawan, Ahmad Faqih, Arif Rinaldi Dikananda, Fathurrohman . — Sat, 28 Feb 2026 00:00:00 +0000

Studi ini bertujuan mengklasifikasi sentimen dalam ulasan pengguna Kredivo pada tahun 2025 dengan menggunakan algoritma Multinomial Naïve Bayes (MNB) yang dikombinasikan dengan pembobotan TF-IDF. Data ulasan dikumpulkan melalui web scraping dan dianalisis lewat tahapan pra-pemrosesan teks, yang mencakup pembersihan data, tokenisasi, penghapusan stopword, stemming, serta transformasi vektor dengan TF-IDF. Pelabelan sentimen dilakukan secara manual oleh pakar bahasa untuk memastikan akurasi kategori. Eksperimen menunjukkan model MNB mencapai akurasi 84,82% dan performa stabil pada data uji. Analisis sentimen mengungkap dominasi ulasan positif, khususnya terkait kemudahan aplikasi, kecepatan verifikasi, dan fleksibilitas pembayaran. Di sisi lain, ulasan negatif umumnya berkaitan dengan biaya tinggi, masalah verifikasi, serta gangguan teknis aplikasi. Temuan ini menekankan perlunya peningkatan transparansi biaya dan perbaikan sistem untuk memperbaiki pengalaman pengguna. Penelitian selanjutnya disarankan untuk membandingkan performa MNB dengan algoritma lain seperti Support Vector Machine, Random Forest, atau deep learning guna mendapatkan model yang lebih optimal dalam analisis sentimen.

ANALISIS KORELASI RESTORASI VISUAL DAN PERFORMA KLASIFIKASI METODE IMAGE SHARPENING PADA DAUN TOMAT

Sat, 28 Feb 2026 00:00:00 +0000

Kualitas citra yang rendah sering menjadi hambatan signifikan dalam deteksi otomatis penyakit tanaman berbasis Deep Learning. Penelitian ini bertujuan untuk menganalisis korelasi antara restorasi visual objektif dan performa klasifikasi model CNN melalui penerapan metode image sharpening pada citra daun tomat. Tiga metode diuji: Basic Sharpening Kernel (BSK), Unsharp Masking (USM), dan High Boost Filtering (HBF) pada arsitektur MobileNetV2 dengan pendekatan transfer learning. Evaluasi dilakukan menggunakan dua perspektif: metrik kualitas citra (Peak Signal-to-Noise Ratio/PSNR dan Structural Similarity Index Measure/SSIM) serta metrik performa model (Akurasi dan Loss). Hasil penelitian mengungkap temuan anomali berupa korelasi negatif antara kualitas visual dan akurasi model. Metode HBF mencatat restorasi visual terbaik (PSNR 35.36) namun menghasilkan akurasi terendah (97.73%). Sebaliknya, USM dengan restorasi visual terendah justru mencapai akurasi tertinggi sebesar 98.95%, diikuti oleh BSK sebesar 98.78% yang menawarkan stabilitas model terbaik dengan nilai loss terendah (0.0348). Temuan ini membuktikan bahwa metrik visual standar (PSNR/SSIM) tidak dapat dijadikan prediktor tunggal untuk performa klasifikasi CNN, di mana artefak penajaman yang dihasilkan USM justru memperjelas fitur penyakit bagi model.

ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI RUPARUPA PADA GOOGLE PLAY STORE MENGGUNAKAN ALGORITMA NAÏVE BAYES

Indi Rahmawati, Dian Ade Kurnia, Khaerul Anam — Sat, 28 Feb 2026 00:00:00 +0000

Penelitian ini bertujuan untuk mengetahui kecenderungan sentimen ulasan pengguna aplikasi RupaRupa pada Google Play Store serta mengukur kemampuan algoritma Naïve Bayes dalam mengklasifikasikan sentimen positif dan negatif tersebut. Penelitian juga bertujuan untuk mengidentifikasi aspek layanan yang membentuk persepsi positif dan negatif pengguna terhadap aplikasi. Metode penelitian menggunakan teknik web scraping untuk mengumpulkan ulasan pengguna dari Google Play Store. Data yang diperoleh melalui proses pembersihan teks, normalisasi, dan penghapusan stopword sebelum dilakukan pembobotan kata menggunakan TF-IDF dilanjutkan dengan penerapan SMOTE (Synthetic Minority Over-sampling Technique) dan cross validation. Algoritma Naïve Bayes diterapkan sebagai metode klasifikasi sentimen, sedangkan evaluasi performa model dilakukan menggunakan confusion matrix. Dataset mencakup ulasan pengguna dari tahun 2019 hingga 2025 dengan variasi skor dan isi ulasan. Hasil penelitian menunjukkan bahwa ulasan positif mendominasi dataset, terutama terkait kecepatan layanan, kemudahan penggunaan, dan kualitas produk. Ulasan negatif sebagian besar berkaitan dengan masalah teknis seperti aplikasi yang lag, kendala checkout, dan keluhan pengiriman. Model Naïve Bayes menghasilkan performa yang stabil dalam memetakan sentimen pengguna. Identifikasi pola kata dan konteks ulasan memperlihatkan bahwa aspek teknis aplikasi memiliki pengaruh besar terhadap persepsi negatif, sedangkan aspek layanan dan pengalaman belanja mendukung sentimen positif. Temuan ini menegaskan bahwa analisis sentimen mampu memberikan gambaran terstruktur mengenai persepsi pengguna. Secara keseluruhan, penelitian ini menunjukkan bahwa Naïve Bayes dapat diterapkan untuk menganalisis sentimen ulasan aplikasi e-commerce secara efektif dan memberikan wawasan yang berguna untuk evaluasi layanan serta pengembangan aplikasi RupaRupa. Penelitian ini memberikan kontribusi pada penerapan machine learning dalam memahami perilaku pengguna berdasarkan data teks.

ANALISIS SENTIMEN DI MEDIA SOSIAL TERHADAP KEBIJAKAN JAM MASUK SEKOLAH JAWA BARAT MENGGUNAKAN INDOBERT

Sat, 28 Feb 2026 00:00:00 +0000

Perkembangan teknologi informasi mendorong meningkatnya penggunaan analisis sentimen dalam mengidentifikasi opini publik di media sosial. Kebijakan jam masuk sekolah yang diberlakukan oleh Pemerintah Provinsi Jawa Barat memicu perdebatan luas, sehingga diperlukan pendekatan analitis untuk mengetahui persepsi masyarakat secara objektif. Penelitian ini bertujuan untuk mengklasifikasikan sentimen masyarakat terhadap kebijakan tersebut menggunakan model IndoBERT. Data dikumpulkan melalui metode web scraping terhadap Twitter (X) dan YouTube, menghasilkan 1.103 komentar yang selanjutnya diproses melalui tahapan preprocessing, pelabelan manual, dan pembagian data. Model IndoBERT Base-P1 di-fine-tune menggunakan Weighted Cross-Entropy Loss untuk menangani ketidakseimbangan kelas. Hasil penelitian menunjukkan bahwa IndoBERT mampu mencapai akurasi 75% dan F1-score tertimbang 0.745. Penelitian ini membuktikan bahwa IndoBERT efektif digunakan sebagai model analisis sentimen untuk isu kebijakan publik berbasis Bahasa Indonesia.

ANALISIS CLUSTERING PRODUK BUAH MENGGUNAKAN ALGORITMA K-MEDOID DENGAN EVALUASI DAVIES BOULDIN INDEX

Raynard Kenneth Eden Kansil, Kaslani ., Raditya Danar Dana, Mulyawan . — Sat, 28 Feb 2026 00:00:00 +0000

Produk buah merupakan komoditas hortikultura yang memiliki peran penting dalam pemenuhan kebutuhan gizi masyarakat serta kontribusi terhadap perekonomian, khususnya pada sektor agribisnis ritel. Namun, pengelolaan produk buah di tingkat pengecer masih menghadapi berbagai permasalahan, antara lain tingginya variasi jenis produk, perbedaan kualitas, fluktuasi harga, serta sifat produk yang mudah rusak. Pada praktiknya, pengelompokan produk buah masih banyak dilakukan secara manual dan subjektif berdasarkan pengalaman pengelola, sehingga belum mampu memanfaatkan data yang tersedia secara optimal. Kondisi ini menyebabkan pengambilan keputusan terkait penataan produk, pengelolaan stok, dan strategi pemasaran menjadi kurang efektif. Oleh karena itu, diperlukan pendekatan berbasis data untuk mengelompokkan produk buah secara objektif dan sistematis. Penelitian ini bertujuan untuk menganalisis pengelompokan produk buah menggunakan algoritma K-Medoid serta mengevaluasi kualitas cluster yang dihasilkan dengan menggunakan Davies–Bouldin Index (DBI). Data yang digunakan merupakan data produk buah yang diperoleh dari Pusat Buah Pati, dengan atribut yang mencerminkan karakteristik produk, seperti nama produk, kode barcode, kategori, dan satuan penjualan. Metode penelitian mengacu pada tahapan Knowledge Discovery in Databases (KDD), yang meliputi seleksi data, preprocessing, transformasi data, proses clustering, dan evaluasi hasil. Algoritma K-Medoid dipilih karena memiliki keunggulan dalam menangani data kategorikal dan lebih robust terhadap outlier dibandingkan metode clustering berbasis centroid. Untuk menentukan jumlah cluster yang optimal, dilakukan pengujian jumlah cluster mulai dari K = 2 hingga K = 20, kemudian dievaluasi menggunakan Davies–Bouldin Index, di mana nilai DBI yang lebih kecil menunjukkan kualitas pengelompokan yang lebih baik. Hasil penelitian menunjukkan bahwa algoritma K-Medoid mampu mengelompokkan produk buah ke dalam beberapa cluster yang memiliki karakteristik serupa secara jelas dan konsisten. Pengujian berbagai nilai K menghasilkan nilai Davies–Bouldin Index yang bervariasi, sehingga memungkinkan penentuan jumlah cluster optimal secara objektif. Cluster yang terbentuk dapat merepresentasikan kelompok produk buah berdasarkan kesamaan kategori dan satuan penjualan, yang berpotensi dimanfaatkan dalam pengelolaan stok, penataan display produk, serta perumusan strategi pemasaran. Dengan demikian, penelitian ini membuktikan bahwa penerapan algoritma K-Medoid dengan evaluasi Davies–Bouldin Index dapat menjadi solusi analitis yang efektif dalam pengelompokan produk buah berbasis data.

ANALISIS SENTIMEN ULASAN APLIKASI MOBILE JKN MENGGUNAKAN MULTINOMIAL NAIVE BAYES

Sat, 28 Feb 2026 00:00:00 +0000

Aplikasi Mobile JKN merupakan platform layanan kesehatan digital yang disediakan BPJS Kesehatan untuk mempermudah akses peserta Jaminan Kesehatan Nasional. Namun, ulasan pengguna di Google Play Store menunjukkan berbagai keluhan seperti kegagalan verifikasi wajah, kesulitan login, dan ketidakstabilan aplikasi. Penelitian ini bertujuan menganalisis sentimen ulasan tersebut menggunakan algoritma Multinomial Naive Bayes. Sebanyak 3.000 ulasan terbaru diambil melalui teknik web scraping, kemudian melalui tahapan preprocessing berupa cleansing, case folding, tokenizing, stopword removal, dan stemming. Dari total data, 2.767 ulasan valid diberi label manual menjadi tiga kategori: positif, negatif, dan netral. Fitur teks direpresentasikan menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), kemudian diklasifikasikan menggunakan Multinomial Naive Bayes dengan pembagian data latih dan data uji 80:20. Hasil eksperimen menunjukkan bahwa model memperoleh performa tinggi dengan accuracy 94,76%, precision 94,86%, recall 94,76%, dan F1-score 93,90%. Model bekerja sangat baik untuk sentimen positif dan negatif, tetapi kurang optimal pada kelas netral akibat ketidakseimbangan data. Temuan ini menunjukkan bahwa kombinasi TF-IDF dan Multinomial Naive Bayes efektif untuk memetakan persepsi pengguna Mobile JKN serta dapat menjadi dasar evaluasi peningkatan kualitas layanan digital BPJS Kesehatan.

PREDIKSI PENDAPATAN SALON MENGGUNAKAN MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) SEBAGAI PENDUKUNG PERENCANAAN PENJUALAN

Silvi yani, Denni Pratama — Sat, 28 Feb 2026 00:00:00 +0000

Pendapatan merupakan salah satu indikator utama dalam keberlangsungan usaha salon kecantikan karena berperan penting dalam perencanaan keuangan dan pengambilan keputusan manajerial. Permasalahan yang sering dihadapi oleh usaha salon adalah fluktuasi pendapatan yang menyulitkan pemilik usaha dalam memperkirakan pendapatan pada periode mendatang. Ketidakakuratan prediksi pendapatan dapat berdampak pada perencanaan penjualan, pengelolaan arus kas, serta penyusunan strategi operasional. Penelitian ini bertujuan untuk menerapkan metode Autoregressive Integrated Moving Average (ARIMA) dalam memprediksi pendapatan salon berdasarkan data historis. Data yang digunakan berupa data pendapatan harian salon pada periode Januari 2023 hingga November 2025. Tahapan penelitian meliputi pembacaan data, pra-pemrosesan data, penerapan model ARIMA, serta proses peramalan pendapatan. Pengolahan dan pemodelan data dilakukan menggunakan perangkat lunak RapidMiner/AI Studio. Hasil penelitian menunjukkan bahwa model ARIMA mampu menghasilkan pola prediksi pendapatan yang mengikuti tren data historis. Model prediksi yang dihasilkan dapat digunakan sebagai alat bantu dalam memperkirakan pendapatan di masa mendatang sehingga mendukung perencanaan penjualan dan pengambilan keputusan berbasis data.

OPTIMASI ATURAN ASOSIASI DENGAN SUPPORT CONFIDENCE PADA MARKET BASKET ANALYSIS UNTUK MENINGKATKAN AKURASI REKOMENDASI PRODUK

Eko Setiawan, Rudi Kurniawan, Yudhistira Arie Wijaya, Mulyawan . — Sat, 28 Feb 2026 00:00:00 +0000

Pemanfaatan data transaksi penjualan merupakan aspek penting dalam mendukung pengambilan keputusan bisnis berbasis data, khususnya pada sektor ritel. Setiap transaksi mencerminkan perilaku dan preferensi konsumen yang dapat dianalisis untuk menghasilkan rekomendasi produk yang lebih akurat. Namun, dalam praktiknya, data transaksi sering kali hanya disimpan sebagai arsip tanpa dianalisis secara optimal, sehingga peluang untuk meningkatkan efektivitas pemasaran dan penjualan belum dimanfaatkan secara maksimal. Salah satu pendekatan yang dapat digunakan untuk menganalisis pola pembelian konsumen adalah Market Basket Analysis (MBA) melalui pembentukan aturan asosiasi. Permasalahan utama dalam penerapan MBA adalah penggunaan nilai support dan confidence yang bersifat statis, sehingga aturan asosiasi yang dihasilkan belum tentu optimal dan kurang mencerminkan perilaku pembelian konsumen yang sebenarnya. Selain itu, evaluasi kualitas aturan asosiasi dan akurasi rekomendasi produk sering kali belum dilakukan secara komprehensif. Penelitian ini bertujuan untuk mengoptimalkan aturan asosiasi dengan melakukan penyesuaian nilai support–confidence pada Market Basket Analysis guna meningkatkan akurasi rekomendasi produk. Metode yang digunakan adalah data mining dengan algoritma FP-Growth yang diintegrasikan dalam kerangka Knowledge Discovery in Database (KDD). Data transaksi yang digunakan berasal dari Groceries Dataset yang terdiri dari 9.834 transaksi. Proses penelitian meliputi tahap seleksi data, preprocessing, transformasi data menggunakan one-hot encoding, pemodelan FP-Growth, pembentukan aturan asosiasi, serta optimasi dan evaluasi aturan menggunakan metrik support, confidence, dan lift. Hasil penelitian menunjukkan bahwa optimasi nilai support–confidence mampu menghasilkan aturan asosiasi dengan kualitas yang lebih baik. Salah satu aturan utama yang dihasilkan memiliki nilai confidence sebesar 0,51288 dan lift sebesar 2,00703, yang menunjukkan hubungan pembelian produk yang kuat dan signifikan. Temuan ini membuktikan bahwa optimasi parameter pada Market Basket Analysis dapat meningkatkan akurasi rekomendasi produk dan memberikan nilai strategis bagi pengambilan keputusan bisnis ritel.

EVALUASI LAYANAN KETENAGAKERJAAN DIGITAL PADA ULASAN APLIKASI SIAPKERJA DI GOOGLE PLAY MENGGUNAKAN NAIVE BAYES

Iskandar -, Rudi Kurniawan, Bani Nurhakim, Nining Rahaningsih, Willy Prihartono — Sat, 28 Feb 2026 00:00:00 +0000

SIAPkerja merupakan aplikasi layanan ketenagakerjaan digital yang dikembangkan oleh Kementerian Ketenagakerjaan Republik Indonesia untuk mendukung proses pencarian kerja, pelatihan, serta program jaminan kehilangan pekerjaan dalam satu platform terintegrasi. Ulasan pengguna di Google Play Store menyediakan masukan penting terkait kualitas dan efektivitas layanan, namun sulit dianalisis secara manual karena jumlahnya besar dan berbentuk teks tidak terstruktur. Penelitian ini menerapkan analisis sentimen berbasis algoritma Multinomial Naive Bayes untuk mengklasifikasikan ulasan SIAPkerja ke dalam sentimen positif, netral, dan negatif. Alur penelitian meliputi pengumpulan data ulasan dari Google Play Store, pelabelan manual, preprocessing teks (pembersihan, case folding, tokenisasi, normalisasi, penghapusan stopword, dan stemming), ekstraksi fitur menggunakan TF–IDF, penanganan ketidakseimbangan kelas dengan SMOTE, serta evaluasi model menggunakan skema 5-fold cross-validation. Dataset terdiri dari 1.359 ulasan yang dikumpulkan pada rentang waktu 1 Januari 2024 hingga 30 September 2025. Hasil eksperimen menunjukkan bahwa model Multinomial Naive Bayes mencapai akurasi rata-rata sebesar 82,7% dengan nilai F1-score sebesar 0,60. Temuan ini mengindikasikan bahwa sentimen negatif mendominasi ulasan pengguna, terutama terkait kendala login dan registrasi, proses verifikasi dan klaim, serta stabilitas aplikasi. Penelitian ini menunjukkan bahwa analisis sentimen dapat dimanfaatkan sebagai alat evaluasi berbasis data untuk mendukung peningkatan kualitas layanan ketenagakerjaan digital pemerintah di Indonesia.

PENERAPAN BUSINESS INTELLIGENCE UNTUK MONITORING KESEHATAN DAN EFEKTIVITAS PROGRAM LATIHAN PELANGGAN MENGGUNAKAN GOOGLE LOOKER STUDIO

Rizal Hermawan, Rini Astuti, khaerul Anam, Raditya Danar Dana, Ade Rizki Rinaldi — Sat, 28 Feb 2026 00:00:00 +0000

Perkembangan pesat analitik data telah memungkinkan penyedia layanan kebugaran mengadopsi Business Intelligence (BI) untuk mendukung pemantauan kesehatan pelanggan dan efektivitas program latihan secara real-time. Penelitian ini bertujuan untuk mengimplementasikan sistem BI menggunakan Google Looker Studio guna memvisualisasikan data kebugaran pelanggan, termasuk durasi latihan, kalori terbakar, Body Mass Index (BMI), skor kepuasan, dan jenis keanggotaan. Penelitian ini menggunakan pipeline ETL, praproses data, dan pengembangan dashboard berdasarkan data sekunder dari Kaggle. Hasil penelitian menunjukkan bahwa dashboard BI mampu memberikan insight yang akurat, valid, dan reliabel yang membantu manajemen pusat kebugaran dalam mengambil keputusan berbasis data. Pelanggan dengan keanggotaan Premium menunjukkan performa latihan dan tingkat kepuasan yang lebih tinggi dibandingkan kategori lainnya. Sistem ini berhasil mengubah data mentah menjadi indikator yang bermakna, membuktikan bahwa BI dapat meningkatkan proses monitoring dan evaluasi manajerial secara signifikan di sektor kebugaran.

ANALISIS SENTIMEN ULASAN APLIKASI INDOMARET POINKU MENGGUNAKAN MULTINOMIAL NAIVE BAYES

Muchammad Safruddin, Rudi Kurniawan, Bani Nurhakim, Aris Pratama Putra — Sat, 28 Feb 2026 00:00:00 +0000

Perkembangan aplikasi ritel dan program loyalitas menjadikan ulasan pengguna di Google Play Store sebagai sumber informasi penting untuk memahami kepuasan, keluhan, dan persepsi pengguna terhadap kualitas aplikasi. Indomaret Poinku merupakan aplikasi loyalitas yang digunakan pelanggan Indomaret di Indonesia, di mana ulasan yang diberikan pengguna memuat apresiasi sekaligus kritik terkait stabilitas, kemudahan penggunaan, dan manfaat aplikasi. Namun, ulasan tersebut umumnya berciri informal, tidak terstruktur, dan mengandung code-mixing, sehingga sulit dan tidak efisien jika dianalisis secara manual. Penelitian ini bertujuan menganalisis sentimen ulasan pengguna aplikasi Indomaret Poinku di Google Play Store menggunakan algoritma Multinomial Naive Bayes dengan representasi fitur TF-IDF. Sebanyak 1.816 ulasan dikumpulkan melalui teknik web scraping menggunakan pustaka google-play-scraper, kemudian diproses melalui tahapan pra-pemrosesan teks (cleaning, case folding, normalisasi, tokenisasi, stopword removal, dan stemming) dan diubah menjadi matriks TF-IDF berukuran 1816 × 2366. Dataset dibagi menjadi data latih dan uji dengan perbandingan 80:20, kemudian dilatih menggunakan algoritma Multinomial Naive Bayes. Hasil pengujian menunjukkan akurasi sebesar 0,90 dengan nilai precision, recall, dan F1-score tertimbang masing-masing sekitar 0,90, 0,90, dan 0,88. Kelas positif dan negatif dapat diklasifikasikan dengan baik, sedangkan kelas netral memiliki nilai recall 0,00 akibat jumlah data yang sangat sedikit dan adanya tumpang tindih leksikal dengan dua kelas lainnya. Distribusi sentimen menunjukkan 902 ulasan positif, 878 negatif, dan 76 netral. Analisis pola kata mengungkap bahwa sentimen positif dipicu oleh kemudahan berbelanja, poin, promo, dan diskon, sementara sentimen negatif didominasi persoalan teknis seperti kegagalan login, error aplikasi, dan masalah pencatatan poin. Temuan ini dapat dimanfaatkan sebagai dasar pengambilan keputusan untuk memprioritaskan perbaikan teknis dan pengembangan program loyalitas, sekaligus menjadi baseline bagi penelitian lanjutan analisis sentimen berbahasa Indonesia.

EVALUASI KOMPARATIF TEKNIK MIXUP DAN CUTMIX UNTUK PENINGKATAN AKURASI DETEKSI SAMPAH BERBASIS CONVOLUTIONAL NEURAL NETWORK

Sat, 28 Feb 2026 00:00:00 +0000

Deteksi sampah otomatis berbasis Computer Vision menjadi salah satu solusi potensial dalam mendukung pengelolaan lingkungan. Namun, performa model Convolutional Neural Network (CNN) sering terkendala oleh keterbatasan jumlah dan keragaman data pelatihan. Penelitian ini bertujuan mengevaluasi secara komparatif efektivitas dua teknik augmentasi data berbasis data mixing, yaitu MixUp dan CutMix, dalam meningkatkan akurasi sistem deteksi sampah berbasis CNN. Metode MixUp dan CutMix diterapkan pada dataset citra sampah dengan arsitektur CNN yang sama, kemudian dibandingkan dengan model baseline tanpa augmentasi data mixing. Hasil penelitian menunjukkan bahwa MixUp memberikan performa terbaik dengan akurasi sebesar 0.990060 dan nilai loss 0.026444, diikuti oleh CutMix dengan akurasi 0.989066 dan loss 0.041627. Sementara itu, model baseline menghasilkan akurasi terendah sebesar 0.942231 dengan loss 0.167226. Temuan ini menunjukkan bahwa teknik MixUp dan CutMix secara signifikan mampu meningkatkan kinerja model, dengan MixUp menjadi metode paling efektif dalam mengoptimalkan akurasi deteksi sampah berbasis CNN. Penelitian ini menegaskan peran penting augmentasi data mixing dalam pengembangan model klasifikasi citra pada domain lingkungan.

PENGELOMPOKAN ALGORITMA K-MEANS PADA PRODUK PENJUALAN TOKO FOMO TRENZ

Sat, 28 Feb 2026 00:00:00 +0000

Pengelolaan data penjualan secara sistematis diperlukan untuk mendukung pengambilan keputusan yang efisien dalam usaha ritel. Toko Fomo Trenz sebagai usaha ritel thrift memiliki variasi produk dengan tingkat penjualan yang berbeda, namun belum memiliki pengelompokan produk berdasarkan performa penjualan. Penelitian ini bertujuan untuk menerapkan algoritma K-Means dalam mengelompokkan data penjualan thrift serta menganalisis hasil pengelompokan tersebut sebagai dasar pengelolaan stok yang lebih efisienData yang digunakan merupakan data transaksi penjualan Toko Fomo Trenz periode Mei hingga Oktober 2025 dengan atribut kuantitas, frekuensi beli, total belanja, dan jumlah item. Metode penelitian menggunakan tahapan Knowledge Discovery in Databases (KDD) yang meliputi seleksi data, praproses, transformasi, data mining, dan evaluasi. Proses pengelompokan dilakukan menggunakan algoritma K-Means, sedangkan evaluasi kualitas cluster menggunakan Davies–Bouldin Index (DBI).Hasil penelitian menunjukkan bahwa algoritma K-Means berhasil mengelompokkan data penjualan ke dalam beberapa cluster dengan karakteristik yang berbeda. Nilai DBI terendah diperoleh pada K = 3 sebesar 0,111, yang menunjukkan kualitas pengelompokan terbaik. cluster yang terbentuk merepresentasikan produk dengan performa penjualan tinggi, sedang, dan rendah. Hasil ini dapat digunakan sebagai dasar pendukung pengambilan keputusan dalam pengelolaan stok thrift secara lebih terarah dan berbasis data.