Jurnal Edukasi dan Penelitian Informatika (JEPIN)
Jurnal Edukasi dan Penelitian Informatika (JEPIN) merupakan peer reviewed journal di bidang informatika. Jurnal ini diterbitkan 3 bulan dalam setahun (April, Agustus, dan Desember) oleh Program Studi Informatika, Fakultas Teknik, Universitas Tanjungpura, Indonesia.
Articles
27 Documents
Search results for
, issue
"Vol 8, No 1 (2022): Volume 8 No 1"
:
27 Documents
clear
<![CDATA[Machine Linear untuk Analisis Regresi Linier Biaya Asuransi Kesehatan dengan Menggunakan Python Jupyter Notebook ]]>
<![CDATA[Muhammad Sholeh]]>;
<![CDATA[Suraya Suraya]]>;
<![CDATA[Dina Andayati]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v8i1.48822
<![CDATA[Machine learning atau pembelajaran mesin dikategorikan sebagai salah satu cabang dari artificial intelligence atau kecerdasan buatan dan algoritma yang populer diantaranya adalah melakukan prediksi dengan menggunakan regresi linear. Penelitian yang dilakukan mengimplementasikan prediksi biaya asuransi kesehatan yang dipengaruhi berbagai faktor seperti umur, jenis kelamin, bmi (kategori berat badan), banyak anak, apakah seorang perokok dan wilayah. Prediksi yang dilakukan adalah di awal diantaranya seorang perokok dan orang yang mempunyai berat badan tidak ideal akan membayar biaya asuransi yang lebih besar jika dibandingkan dengan orang yang tidak merokok dan orang mempunyai berat badan ideal. Data diolah dari www.kaggle.com, data disimpan dalam file csv (insurance.csv). Dataset terdiri dari 1338 dan 7 kolom. Metode penelitian dilakukan dengan memeriksa data dari data yang salah atau dapat mengganggu proses analisis, melakukan analisis pada dataset serta membagi data menjadi data training dan data test. Proses pembagian data adalah 80% digunakan untuk data training dan 20% untuk data test. Semua proses diolah dengan menggunakan pemrograman Python. Library Python yang digunakan numpy, pandas, matplotlib, seaborn, sklearn. Proses analisis dikerjakan dengan Jupyter Notebook. Hasil penelitian menghasilkan model regresi linear ganda y = -12436.85+ 270.35 X1 -188.37 X2+342.77 X3+474.07 X4+24320.10 X5 -385.60 X6 dengan Coefficient of determination 0.7244150380582826 dan MSE 34608265.193358265. Hasil akhir analisis dilakukan perbandingan antara y aktual dengan y prediksi baik dalam bentuk tabel maupun grafik.]]>
<![CDATA[Tuning Hyperparameter pada Gradient Boosting untuk Klasifikasi Soal Cerita Otomatis ]]>
<![CDATA[Umi Laili Yuhana]]>;
<![CDATA[Ayu Purwarianti]]>;
<![CDATA[Imamah Imamah]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v8i1.50506
<![CDATA[Soal adalah susunan pertanyaan yang dibuat untuk menguji keberhasilan dari pembelajaran siswa. Bagi manusia, membedakan soal penjumlahan dengan pengurangan sangat mudah, namun tidak halnya dengan mesin. Mesin membutuhkan pembelajaran untuk mengenali soal cerita apakah termasuk penjumlahan atau pengurangan. Kebutuhan mesin untuk mengenali soal cerita biasanya diterapkan dalam pembuatan sistem E-learning. Berdasarkan dari masalah ini, maka digunakan metode gradient boosting untuk mengklasifikasikan soal cerita. Kelas target atau label dari klasifikasi terdiri dari empat kelas yaitu penjumlahan, pengurangan, perkalian, pembagian, dan campuran. Soal cerita diambil dari buku matematika untuk kelas tiga sampai kelas enam Sekolah Dasar. Guru Sekolah Dasar (SD) melabeli soal cerita, dan dijadikan sebagai dataset untuk pembelajaran dari machine learning. Dataset kemudian di preprocessing, ekstraksi fitur dengan menggunakan TF-IDF dan selanjutnya dibagi menjadi data training dan data testing dengan menggunakan K-fold cross validation dengan nilai K[5,10,20]. Performa metode gradient boosting dalam mengklasifikasikan soal matematika diukur dengan menggunakan akurasi. Akurasi didapatkan dari hasil perbandingan dari label yang diprediksi oleh machine learning dengan label dari pakar yaitu guru SD. Berdasarkan hasil percobaan pada 500 data soal cerita, diperoleh hasil akurasi terbaik sebesar 75,8% pada saat K=20 dengan hyperparameter gradient boosting N_estimator=100, max_depth=9 dan learning rate=0,15.]]>
<![CDATA[Klasifikasi Kecanduan Smartphone pada Pelajar Sekolah Menengah Atas menggunakan Metode Machine Learning Berbasis Feature Weighting ]]>
<![CDATA[Ni Kadek Cinthya Bandinithya Dewi]]>;
<![CDATA[Ni Kadek Ayu Wirdiani]]>;
<![CDATA[Dewa Made Sri Arsa]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v8i1.51914
<![CDATA[Kecanduan terhadap smartphone dapat berakibat buruk bagi pelajar. Penelitian ini bertujuan memprediksi kecanduan smartphone di kalangan siswa-siswi SMA dengan menggunakan metode terbaik dari klasifikasi. Klasifikasi dilakukan untuk dapat mendukung pengambilan keputusan terkait masalah kecanduan smartphone. Algoritma C4.5, Naive Bayes (NB), dan K-Nearest Neighbor (KNN) merupakan metode klasifikasi machine learning yang digunakan pada penelitian ini. Metode ini merupakan metode klasifikasi machine learning yang termasuk dalam kategori top 10 dalam menyelesaikan kasus prediksi. Untuk dapat meningkatkan kinerja metode-metode machine learning tersebut, maka dilakukan seleksi atribut sebelum proses klasifikasi menggunakan Forward Selection, Backward Elimination, dan dengan pendekatan korelasi Linear Regression. Hasil penelitian menunjukkan bahwa metode terbaik untuk klasifikasi kecanduan smartphone adalah KNN dengan seleksi atribut menggunakan Linear Regression berdasarkan korelasi weight, yang mana atribut inputan yang berpengaruh secara signifikan terhadap output kecanduan smartphone (Y) adalah umur (X1), durasi penggunaan smartphone (X5), aktifitas (X6), dan kualitas tidur (X7) dengan model K = 44 dan numerical measure = Chebychev, menghasilkan accuracy = 79.03%, precision = 78.79%, recall = 81.25%, AUC = 0.828, dan running times = 1 detik. Output dari penelitian ini menunjukan prediksi dengan menggunakan metode terbaik yaitu presentase tingkat kecanduan siswa dengan tidak kecanduan serta presentase kecanduan smartphone dengan variabel lainnya.]]>
<![CDATA[Analisis Algoritma Klasifikasi untuk Memprediksi Karakteristik Mahasiswa pada Pembelajaran Daring ]]>
<![CDATA[Wiyli Yustanti]]>;
<![CDATA[Naim Rochmawati]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v8i1.50452
<![CDATA[Keberhasilan pelaksanaan pembelajaran secara daring di masa pandemi dari sisi mahasiswa dipengaruhi oleh faktor eksternal dan internal. Faktor eksternal antara lain ketersediaan sinyal atau jaringan yang baik, kuota internet, serta perangkat penunjang seperti smartphone dan laptop. Selain itu, aspek internal seperti motivasi belajar, budaya belajar, dan kondisi fisik serta psikologi yang baik juga berperan penting dalam keberhasilan proses belajar mahasiswa. Faktor-faktor ini menjadi input untuk membangun model prediksi karakteristik mahasiswa peserta daring. Pada proses pemodelan diawali dengan tahap pre-processing melalui seleksi fitur menggunakan uji independen Chi-Square untuk menentukan variabel yang berpengaruh pada proses prediksi variabel respon. Hasil seleksi variabel independen menghasilkan 16 variabel yang berpengaruh dari total 22 variabel awal. Adapun jenis label pada variabel respon terdiri dari 4 kelompok yaitu mahasiswa aktif dengan fasilitas terbatas, aktif dengan fasilitas baik, pasif dengan fasilitas baik dan pasif dengan fasilitas terbatas. Pada data penelitian ini, distribusi variabel respon termasuk dalam kategori tidak seimbang (imbalanced class) dengan proporsi kelas terkecil adalah 2,20%. Untuk melakukan balancing data digunakan teknik oversampling sebelum tahap pemodelan. Sementara algoritma klasifikasi yang diujicobakan terdiri dari 6 algoritma yaitu Naïve Bayes (NB), Support Vector Machine (SVM), Random Forest (RF), Regresi Logistik (LR), K-Nearest Neighbor (KNN), dan Decision Tree (DT). Hasil komparasi kinerja menunjukkan bahwa algoritma Support Vector Machine (SVM) lebih unggul dengan nilai F-1 Score 92,8% dan AUC sebesar 99,01%.]]>
<![CDATA[Naïve Bayes untuk Prediksi Tingkat Pemahaman Kuliah Online Terhadap Mata Kuliah Algoritma Struktur Data ]]>
<![CDATA[Yuli Astuti]]>;
<![CDATA[Irma Rofni Wulandari]]>;
<![CDATA[Angga Ramana Putra]]>;
<![CDATA[Nurdini Kharomadhona]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v8i1.48848
<![CDATA[Banyak masalah yang terjadi dalam proses pembelajaran daring, salah satunya adalah kesulitan mahasiswa dalam memahami materi dengan baik. Berbagai upaya telah diklakukan dosen untuk mendukung pembelajaran secara daring, mulai dari penjelasan materi langsung melalui media conference maupun pembuatan video pembelajaran. Untuk mengetahui apakah siswa benar-benar memahami materi yang disampaikan dosen, maka diperlukan penelusuran dengan tujuan jika terdapat banyak mahasiswa yang belum menguasai materi maka perlu ada perubahan pada proses penyampaian materinya. Penelitian ini melakukan prediksi tingkat pemahaman dalam perkuliahan daring. Data yang digunakan pada penelitian ini adalah data nilai mata kuliah Algoritma Struktur Data. Data dengan variable tugas, praktikum, UTS, UAS dan jumlah kehadiran perkuliahan diperoleh dari nilai mahasiswa program studi D3 Manajemen Informatika angkatan 2020 dan 2019. Metode yang digunakan pada penelitian ini adalah Naïve Bayes dengan hasil prediksi pada angkatan 2019 sebesar 46.15% dengan akurasi confusion matrix 69.23% dan hasil prediksi angkatan 2020 sebesar 54.54% dengan akurasi confusion matrix 72.73%, sehingga dapat disimpulkan bahwa perkuliahan online tingkat pemahamanya meningkat dari perkuliahan offline.]]>
<![CDATA[Penghitung Skor Tembak Otomatis menggunakan Metode Background Substraction dan Euclidean Distance ]]>
<![CDATA[Moechammad Sarosa]]>;
<![CDATA[Muhammad Ridwan]]>;
<![CDATA[Isa Mahfudi]]>;
<![CDATA[Muh Bambang Purwanto]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v8i1.51265
<![CDATA[Prajurit TNI khususnya TNI AD di tuntut untuk memiliki kemampuan dan kehandalan dalam menembak. Dalam menunjang kemampuan dan kehandalan tersebut, maka setiap prajurit TNI AD akan melaksanakan latihan menembak setiap 3 bulan sekali. Dalam menghitung skor tembak, saat ini masih dilakukan secara manual yakni ada personil yang bertugas untuk mengamati dan menilai dari skor tembak. Hal ini merupakan perkerjaan yang beresiko tinggi dan berbahaya salain itu juga sangat melelahkan mengingat ketika sedang berlatih menembak terkadang bisa mencapai puluhan personel. Peneliti ingin menerapkan Metode Background Substraction dan Euclidean Distance dalam membangun sebuah sistem penghitung skor tembak secara otomatis. Teknik Background Substraction difungsikan untuk mendeteksi bekas lubang tembak dan Euclidean Distance untuk mengukur jarak antara lubang tembak tehadap titik pusat sekaligus difungsikan untuk perhitungan skor otomatis. Penelitian ini menghasilkan sistem yang mampu berjalan dengan baik pada kondisi pencahayaan normal. Intensitas cahaya berpengaruh terhadap hasil deteksi bekas lubang tembak. Pada kondisi pencahayaan gelap dan sangat terang akan mengurangi tingkat akurasi deteksi. Pada kondisi pencahayaan normal yang terukur pada range 80 lux s.d. 120 lux mampu mendeteksi lubang bekas tembakan dengan baik. Sistem memiliki akurasi dalam mendeteksi hingga mencapai 100% pada kondisi pencahayaan normal serta mampu melakukan perhitungan skor tembakan secara tepat.]]>
<![CDATA[Sistem Monitoring dan Proteksi pada Stop Kontak Berbasis IoT ]]>
<![CDATA[Syaifur Rahman]]>;
<![CDATA[Abcory Aula]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v8i1.48052
<![CDATA[Pemasangan stop kontak pada instalasi listrik merupakan suatu keharusan dikarenakan banyak beban listrik yang diaktifkan melalui stop kontak. Penggunaan berbagai macam beban listrik pada stopkontak dapat menyebabkan stop kontak menjadi panas, cepat rusak dan menimbulkan terjadinya kebakaran akibat suhu lubang terminal meningkat. Stop kontak dapat dikembangkan tidak saja sebagai penyambung tetapi juga dapat dimanfaatkan sebagai media untuk mendeteksi besarnya daya beban dan energi listrik serta suhu terminal stop kontak dari jarak jauh. Metode yang digunakan pada sistem monitoring dan proteksi stopkontak dengan menambahkan perangkat elektronik(hardware) dan Software yang dapat mendeteksi daya beban listrik serta kenaikan suhu pada terminal stopkontak. Perangkat utama pada sistem elektronik adalah modul Node MCU ESP8266 yang memiliki fitur Wifi dengan sebuah open source platform IoT. Node MCU ESP8266 dihubungkan dengan sensor suhu DHT 22, dan sensor daya PZEM 004. Modul Node MCU8266 ditanamkan perangat luak yang berisi instruksi dan kode-kode program agar sinyal yang dikirimkan dari sensor-sensor dapat dikonversikan menjadi angka-angka yang dapat dipahami oleh pengguna. Nilai yang terbaca oleh sensor kemudian ditampilkan pada LCD dan dikirimkan melalui media internet ke smartphone melalui apliasi Blynk. Hasil pengujian terhadap sensor suhu dan daya diperoleh Sistem stop kontak berbasis IoT dapat memberikan informasi penggunaan daya listrik serta suhu terminal/lubang stop kontak. Rata-rata kesalahan pembacaan daya pada sensor PZEM 004 sekitar 3,5% dan rata-rata kesalahan pembacaan suhu DHT 22 sebesar 0,3%. Sistem stop kontak akan memutuskan beban listrik apabila daya beban melebihi 500 W atau suhu terminal melebihi 50°C. ]]>
<![CDATA[Implementasi Feature Driven Development untuk Mempermudah Ekualitas Fitur dan Adaptasi pada Pengembangan Portal Dutatani Web dan Mobile ]]>
<![CDATA[Antonius Rachmat Chrismanto]]>;
<![CDATA[Argo Wibowo]]>;
<![CDATA[Lukas Chrisantyo]]>;
<![CDATA[Maria Nila Anggia Rini]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v8i1.50715
<![CDATA[Perkembangan teknologi dapat digunakan dalam berbagai bidang, termasuk pertanian. Dutatani adalah web portal pertanian yang telah berhasil membantu petani dalam mendukung peningkatan efisiensi, efektifitas, dan produktivitas pertanian. Dutatani telah dibangun berbasis web dan diperlukan versi mobile agar dapat digunakan dengan lebih personal oleh para petani. Pengembangan Dutatani versi mobile memiliki masalah dalam ekualitas dengan versi webnya. Penelitian ini menggunakan Feature Driven Development (FDD) untuk menghasilkan sistem Dutatani berbasis mobile yang memiliki ekualitas dengan versi web portalnya dengan tingkat adaptasi yang mudah dan minimal. Penelitian ini dilakukan sesuai tahapan FDD dan pengujian menggunakan User Experiences Questionnaire (UEQ) pada mobile version. Daftar fitur yang dikembangkan pada FDD didapatkan dari penelitian sebelumnya menggunakan WebQual. FDD tepat digunakan dalam mempermudah pengembangan fitur untuk memastikan ekuitas antara dua platform dan efisien dalam mempermudah mengintegrasikan fitur Dutatani versi web dan mobile dengan hasil maksimal dalam rangka pengembangan sistem jangka panjang dan penelitian berikutnya. Selain itu Dutatani mobile juga telah dilakukan uji UEQ terhadap petani di bagian modul portal, data, dan fitur menunjukan tingkat good dan excelent.]]>
<![CDATA[Geotagging untuk Monitoring Pelaksanaan Proyek Konstruksi ]]>
<![CDATA[Rachmat Wahid Saleh Insani]]>;
<![CDATA[Syarifah Putri Agustini Alkadri]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v8i1.51271
<![CDATA[Salah satu kendala dalam proyek konstruksi adalah koordinasi seluruh fungsi pengelolaan proyek. Geotagging atau geo-referencing menambahkan metadata yang mengidentifikasi geografis ke citra untuk mengetahui keadaan dari suatu lokasi dengan memetakannya ke suatu peta digital. Penelitian ini ditujukan untuk merancang, membangun, dan menganalisis aplikasi sistem monitoring proyek konstruksi yang menggunakan teknologi geotagging. Sistem yang dihasilkan akan berbentuk aplikasi dan akan diukur fungsionalitas serta akurasi geotagging yang ada di dalamnya. Geotagging dikembangkan melalui integrasi sistem dengan layanan lokasi perangkat Android. Hasil penelitian ini berupa suatu sistem yang berbentuk aplikasi Android dan mampu menyimpan foto proyek konstruksi dan menampilkan lokasi pengambilan foto di peta digital menggunakan teknik geotagging. Teknik ini menempelkan koordinat terkini perangkat, ke dalam file gambar dalam bentuk Exif tag. Kekuatan sinyal merupakan pengaruh terbesar dalam akurasi dari koordinat yang diperoleh. Apabila pengawas berada di lokasi proyek yang memiliki tingkat sinyal yang tidak stabil, maka marker yang menunjukkan lokasi pengambilan foto dan tampil di peta digital tidak memiliki akurasi yang baik.]]>
<![CDATA[Implementasi Algoritma Winnowing pada Aplikasi Pendeteksi Kemiripan Dokumen ]]>
<![CDATA[Glen Hizkia Oge Mangundap]]>;
<![CDATA[Herry Sujaini]]>;
<![CDATA[Helen Sasty Pratiwi]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v8i1.47822
<![CDATA[Beberapa syarat yang mahasiswa harus lakukan dalam menyelesaikan program sarjana (S1) salah satunya ialah membuat karya ilmiah dalam bentuk skripsi. Dalam penulisan skripsi, beberapa kasus penulisan skripsi mahasiswa memiliki topik judul yang sama. Dengan kesamaan topik pada judul yang dibuatoleh mahasiswa membuat kemungkinan isi skripsi yang dibuat menjadi mirip. Kemiripan tersebut tidak bisa dibilang sebagai bentuk plagiarisme. Oleh karena itu dibutuhkan aplikasi yang bisa mendeteksi kemiripan antara dokumen skripsi dengan dokumen skripsi lainya agar dapat mengetahui apakah kalimat yang mirip di dalam dokumen skripsi mengandung plagiarisme atau tidak. Algoritma Winnowing digunakan untuk meningkatkan efisiensi dari proses perbandingan dokumen serta menghasilkan nilai fingerprinting. Nilai fingerprinting kemudian dihitung dengan menggunakan Dice Distance dan Chebyshev Distance untuk mengetahui berapa persentase kemiripan antar dokumen skripsi.Aplikasi yang dibangun ini berhasil untuk mendeteksi kemiripan antara dokumen skripsi dengan menggunakan algoritma winnowing dan dapat beroperasi dengan baik. Hasil pengukuran Dice Distance adalah 23.87 % sedangkan dengan pengukuran Chebyshev Distance adalah 79, dan rata-rata waktu yang dihabiskan dalam memproses satu dokumen adalah 110.74 detik. Antara Dice Distance dan Chebyshev Distance jika dipaksa digabungkan akan mendapatkan hasil yang tidak sesuai dikarenakan perbedaan pengukuran nilai.]]>
