Tuberkulosis (TB) merupakan jenis penyakit kronis yang disebabkan oleh bakteri Mycobacterium tuberculosis yang dapat menular dari 1 orang ke orang lainnya melalui udara atau yang disebut dengan airbone. Pendeteksian bakteri M.tuberculosis pada citra sputum penderita TB merupakan suatu tantangan dalam menentukan identifikasi untuk dapat membedakan bakteri tersebut dengan background dengan hasil pewarnaan sputum yang cendrung memiliki tingkat warna yang bervariasi, sehingga dapat menurunkan hasil akurasi pendeteksian. Oleh karena itu diperlukan suatu pendekatan yang lebih akurat dalam mendeteksi bakteri TB pada citra BTA. Untuk itu penelitian ini bertujuan melakukan pengolahan citra berupa segmentasi pada citra BTA dengan menerapkan preprocessing ruang warna CIE Lab, menentukan batas ambang yang maksimal dengan Multi Thresholding dan dilakukan segmentasi menggunakan K-Means Clustering. Hasil eksperimen didapatkan bahwa pengaplikasian metode Multi Thresholding dan K-Means memberikan tingkat akurasi sebesar 99.57% pada pendeteksian bakteri TB. Kata kunci: Tubekulosis, Ziehl Neelsen, Multi Thresholding, K-Means.

Penyakit kulit merupakan masalah kesehatan umum di Indonesia, terutama di Papua, yang mempengaruhi berbagai kelompok usia. Meskipun sebagian besar penyakit kulit tidak mengancam jiwa, mereka dapat berdampak signifikan pada kualitas hidup pasien dan menimbulkan biaya pengobatan yang tinggi. Mendiagnosis penyakit kulit biasanya memerlukan pemeriksaan fisik dan klinis oleh dokter kulit, namun jumlah spesialis yang terbatas menimbulkan tantangan. Penelitian ini bertujuan untuk mengembangkan sistem pengenalan penyakit kulit menggunakan Computer Vision dan Convolutional Neural Networks (CNN) untuk membantu diagnosis dini. Sistem ini dikembangkan sebagai aplikasi web menggunakan HTML, CSS, dan Python. Aplikasi ini diuji di Puskesmas Nimbokrang pada dataset penyakit kulit umum, menunjukkan akurasi sebesar 83,09% pada pelatihan dan 84% pada validasi. Hasil pengujian dengan confusion matrix menunjukkan akurasi sebesar 89%. Hasil ini menunjukkan potensi aplikasi praktis dalam meningkatkan layanan kesehatan.

Penelitian ini bertujuan untuk mengembangkan perhitungan jejak karbon berbasis aplikasi pada kendaraan dan peralatan listrik untuk memahami emisi gas rumah kaca. Analisis yang dilakukan meliputi penghitungan GWP gas rumah kaca, faktor emisi, dan konversi energi. Saran yang mungkin diberikan antara lain meningkatkan akurasi perhitungan emisi, mengintegrasikan data konsumsi bahan bakar dan listrik, serta meningkatkan akurasi perhitungan emisi karbon. Batasan KarbonDioksida(CO2), metana(CH4), dan dinitrogen oksida(N2O) di udara berdampak negatif jika melebihi batas peraturan. Emisi karbon dari aktivitas manusia berkontribusi terhadap pemanasan global dan perubahan iklim. Sistem ini dirancang dan diimplementasikan untuk menghitung emisi karbon dari kendaraan dan peralatan listrik, serta memberikan informasi mengenai konsentrasi emisi dan riwayat penghitungan. Analisis emisi karbon dari kendaraan dan peralatan rumah tangga dilakukan untuk memprediksi GWP (Potensi Pemanasan Global). Tujuan analisis ini adalah untuk mengidentifikasi dan mengurangi emisi Gas Rumah Kaca, sehingga dapat mengurangi dampak pemanasan Global. Metode penelitian ini menggunakan algoritma yang menghitung emisi CO2, CH4, dan N2O berdasarkan penggunaan kendaraan dan peralatan listrik pada rumah tangga. Penelitian ini sangat penting agar dapat memahami faktor yang mempengaruhi terhadap emisi karbon dan meningkatkan kesadaran tentang pentingnya perlindungan lingkungan. Kata kunci: Gas Rumah Kaca, GWP, Perubahan Iklim, Emisi Karbon

Kemajuan teknologi membuat berita mudah ditemukan pada media online. Jumlah artikel berita yang tersedia semakin banyak dengan teks yang cukup panjang. Hal ini akan menyulitkan pembaca berita dalam mencari inti informasi dari berita sehingga diperlukan ringkasan teks untuk membantu pengguna memahami inti dari suatu teks tanpa perlu membaca seluruhnya. Metode yang digunakan untuk peringkasan teks yaitu Maximum Marginal Relevance (MMR) dengan menggabungkan dua faktor pemilihan, yaitu relevansi dan keragaman. Sering ditemukan saat ini bahwa judul berita dalam artikel online belum sepenuhnya mewakili isi berita atau disebut clickbait, untuk menghindari judul yang kurang sesuai, pada penelitian ini peringkasan didasarkan pada kata kunci yang dihasilkan dengan metode Latent Dirichlet Allocation (LDA). Hasil uji coba dengan 2500 data artikel berita menghasilkan nilai rata-rata ROUGE-1 terbaik sebesar 0.488 untuk tingkat kompresi 50% dan 0.462 untuk tingkat kompresi 30%. Nilai ROUGE-1 terendah yaitu 0.453 untuk tingkat kompresi 50% dan 0.435 untuk tingkat kompresi 30%. Hasil tersebut menunjukkan bahwa sistem dapat menghasilkan ringkasan yang cukup relevan dengan menggunakan kata kunci yang diekstrak dari konten berita. Advances in technology make news easy to find on online media. The number of news articles available is increasing with a fairly long text. This will make it difficult for news readers to find the core information from the news so that a text summary is needed to help users understand the essence of a text without the need to read it all. The method used for text summarization is Maximum Marginal Relevance (MMR) by combining two selection factors, namely relevance and diversity. It is often found today that news titles in online articles do not fully represent the content of the news or called clickbait, to avoid inappropriate titles, in this study the summary is based on keywords generated by the Latent Dirichlet Allocation (LDA) method. The test results with 2500 news article data produced the best average ROUGE-1 value of 0.488 for a compression level of 50% and 0.462 for a compression level of 30%. The lowest ROUGE-1 value is 0.453 for a compression level of 50% and 0.435 for a compression level of 30%. These results show that the system can produce quite relevant summaries using keywords extracted from news content.

Dalam dunia komputasi awan yang semakin berkembang, ancaman serangan Distributed Denial of Service (DDoS) menjadi isu yang sangat krusial. Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan model prediksi serangan DDoS menggunakan algoritma Random Forest dan analisis perilaku jaringan. Dataset CICIDS2017 digunakan sebagai sumber data utama untuk melatih dan menguji model prediksi yang dikembangkan. Pemilihan algoritma Random Forest didasarkan pada kemampuannya yang tinggi dalam menangani data besar dan kompleks serta kemampuannya dalam mengenali pola anomali yang sering menjadi indikasi serangan siber. Hasil pengujian menunjukkan bahwa model ini mencapai akurasi yang signifikan dengan precision sebesar 97,8%, recall sebesar 98,2%, dan F1-score sebesar 98,0%. Analisis perilaku jaringan yang diterapkan, melibatkan fitur-fitur dinamis seperti waktu antar paket (Inter-Arrival Time/IAT), ukuran rata-rata segmen, dan jumlah paket per detik, yang terbukti efektif dalam meningkatkan kemampuan deteksi model. Implementasi model dalam lingkungan komputasi awan menunjukkan bahwa metode ini dapat diintegrasikan dengan sistem deteksi intrusi (Intrusion Detection Systems/IDS) yang sudah ada untuk memberikan lapisan perlindungan tambahan terhadap serangan DDoS. Berdasarkan hasil yang diperoleh, penelitian ini merekomendasikan penggunaan kombinasi algoritma Random Forest dan analisis perilaku jaringan sebagai solusi yang efektif untuk mendeteksi serangan DDoS dalam lingkungan komputasi awan. Penelitian lanjutan disarankan untuk mengembangkan dan menguji model dengan dataset yang lebih beragam serta mengoptimalkan algoritma untuk meningkatkan performa deteksi. Kata kunci: Random Forest, DDoS, Cloud Computing

Perkembangan smartphone pada saat ini semakin pesat yang disebabkan oleh adanya berbagai aplikasi mobile yang ditawarkan dalam mempermudah aktivitas manusia. Salah satu aplikasi mobile yang banyak dibahas akhir-akhir ini adalah MyPertamina. MyPertamina adalah sebuah aplikasi mobile yang digunakan untuk membeli berbagai produk yang ditawarkan oleh Pertamina secara online yang dapat dilakukan kapan pun dengan berbagai jangkauan area pembelian. Dalam pengembangnya terbagi menjadi beberapa modul yaitu payment, voucher, user, dan loyalty. Salah satu modul yang cukup penting adalah modul loyalty yang berisi fitur-fitur tentang keuntungan pengguna. Pengembangan aplikasi MyPertamina hampir keseluruhan menggunakan RESTful API. Dalam proses pengembangan perangkat lunak dengan menggunakan RESTful API, perlu dilakukan pengujian terhadap RESTful API yang telah dibuat untuk meminimalisir kesalahan yang ada pada RESTful API. Terdapat berbagai metode pengujian perangkat lunak salah satunya adalah pengujian Black Box. Pengujian Black Box berfokus pada keluaran yang dihasilkan oleh sistem dan tidak melakukan pengujian pada kode sumber. Pada pengujian Black Box terdapat beberapa teknik pengujian salah satunya adalah Equivalence Partitioning. Penelitian melakukan perbandingan pengujian manual terhadap RESTful API dan mengimplementasikan pengujian otomatis menggunakan pytest. Pengujian manual dilakukan menggunakan postman. Sedangkan pengujian otomatis dijalankan menggunakan pytest. Kedua pengujian yang telah dilakukan memberikan hasil bahwa RESTful API yang dikembangkan telah sesuai dan berjalan dengan baik. Kata kunci: Equivalance Partitioning, MyPertamina, Pengujian Perangkat Lunak, RESTful API

Dalam pengambilan keputusan, pihak pengelola situs web perlu memperhatikan bagaimana pelanggan menggunkan layanan dari situsnya. Situs "SWED sepakbola" memiliki total kunjungan 11,69 juta pengunjung. Rata-rata lama waktu kunjung adalah 1 menit 21 detik, dengan 1,54 jumlah halaman per pengunjung. Dengan jumlah bounce rate mencapai 79,17% dapat dikatakan banyaknya pengunjung pada landpage tidak memiliki jumlah interaksi yang banyak. Hal ini mengindikasikan pelanggan merasa tidak tertarik. Penelitian ini mencoba mengoptimalisasikan performa tata letak antarmuka pengguna untuk menarik interkasi pembaca dengan menekan rasio bounce menggunakan pendekatan desain layer-cake, grid dan penggunaan kolom. Perbandingan desain lama dan hasil redesain dilakukan menggunakan pengujian A/B dan perhitungan inferensial statistik. Hasilnya redesain yang dilakukan berhasil meningkatkan konversi klik, dari varian awal (varian control) ke varian yang baru (varian treatment) sebesar 40%. Konversi klik sebanyak 14 hingga 63 klik dengan pengunjung sebanyak 4 sampai 18 pengunjung dalam 4 grup yang berbeda, selama 4 kali pengujian dan pengujian tersebut, untuk menemukan nilai yang optimal hingga hasil akhir yang signifikan pada kategori “baik” dengan nilai CR “diatas rata-rata” sehingga dapat menemukan formula tata letak lebih lanjut (optimal) dari varian tata letak SWED sepakbola..

Salah satu masalah dalam perguruan tinggi adalah kasus drop out. Banyaknya mahasiswa yang mengalami drop out merupakan salah satu indikator yang mempengaruhi kualitas pembelajaran dan akreditasi yang sangat penting untuk keberlangsungan suatu institusi. Penelitian ini menerapkan algoritma Naive Bayes dan algoritma seleksi fitur Information Gain untuk melakukan klasifikasi mahasiswa drop out. Hasil penelitian menunjukkan bahwa dua fitur yang berpengaruh paling signifikan terhadap klasifikasi mahasiswa drop out adalah jumlah SKS yang ditempuh dan nilai IPS pada semester 4. Temuan ini menunjukkan bahwa aspek akademik yang terkait dengan perkembangan studi mahasiswa berpengaruh dalam klasifikasi drop out. Penerapan seleksi fitur menggunakan metode Information Gain berhasil meningkatkan akurasi dan presisi dari model Naïve Bayes. Model yang dihasilkan mencapai akurasi sebesar 98.36%, presisi sebesar 88.37%, dan recall sebesar 97.44%. Hasil ini menunjukkan bahwa seleksi fitur dengan metode Information Gain membantu dalam mengidentifikasi fitur-fitur penting yang berkontribusi terhadap kualitas model klasifikasi.

Youtube merupakan situs video sharing terbesar dibawah perusahaan Google Inc. Pengguna Youtube dan lama waktu penggunaan Youtube memang masih termasuk dalam tiga terbesar secara global. Akan tetapi, hadirnya TikTok sebagai kompetitor sejenis dapat menjadi tantangan tersendiri bagi Youtube. Youtube perlu melakukan evaluasi untuk mengukur layanan yang telah diberikan agar dapat tetap mempertahankan loyalitas penggunanya. Penelitian ini menggunakan metode sistem UTAUT 2 (penerimaan dan penggunaan), responden yang digunakan sebanyak 200 orang. Untuk menganalisis data, Penelitian ini menerapkan analisis deskriptif serta analisis Partial Least Squares - Structural Equation Modelling (PLS-SEM). Menurut hasi penelitian, seluruh variabel UTAUT 2 mendapatkan persepsi “setuju” dari responden. Selain itu, ditemukan bahwa variabel hedonic motivation dan juga variabel habit berpengaruh positif dan signifikan kepada variabel behavioral intention. Sementara variabel facilitating conditions, habit serta variabel behavioral intention berpengaruh positif serta signifikan kepada variabel use behavior.