This study presents an evaluation of the performance of the Left-Straight-Right-Back (LSRB) algorithm implemented in an autonomous obstacle-avoiding robot. The LSRB algorithm operates based on a fixed priority rule in pathfinding decisions: turn left, go straight, turn right, and finally perform a 180-degree turn if no paths are available. The robot is equipped with ultrasonic sensors and a servo motor to scan obstacles on the left and right sides, and utilizes an 8×8 dot matrix display to indicate its navigation status. Testing was conducted in a custom-built maze environment featuring branches, dead ends, and narrow paths to simulate real-world navigation scenarios. Performance evaluation parameters include travel time, number of maneuvers, and path accuracy. Experimental results show that the LSRB algorithm achieved 100% path completion accuracy across all test cases, with consistent travel time and efficient obstacle avoidance. The findings demonstrate that LSRB is a reliable and lightweight navigation strategy, particularly suitable for low-cost, microcontroller-based robots used in educational or semi-structured environments. Limitations regarding power supply stability and the absence of memory-based path tracking are also identified, offering opportunities for future improvements.
 
Keywords - Obstacle-Avoiding Robot, Robot Navigation, LSRB Algorithm, Ultrasonic Sensor

Kemajuan teknologi informasi mendorong perubahan sistem pendidikan, termasuk kebijakan perkuliahan online sejak pandemi COVID-19. Penelitian ini menganalisis sentimen mahasiswa terhadap kebijakan tersebut menggunakan pendekatan multibahasa dengan algoritma K-Nearest Neighbor (KNN) dan Naïve Bayes. Adapun aspek pembeda penelitian ini adalah penggunaan data dari bahasa Indonesia dan bahasa daerah Sulawesi Barat, yaitu bahasa Mandar, yang menambah kompleksitas tahap preprocessing. Data dikumpulkan melalui kuesioner yang menghasilkan 1.680 opini mahasiswa, dan setelah tahap preprocessing menghasilkan 1.679 data yang siap dianalisis. Hasil klasifikasi menunjukkan algoritma K-Nearest Neighbor terdapat 1002 kategori positif dan 677 kategori negatif. Kemudian pada algoritma Naïve Bayes terdapat 1020 kategori positif dan 659 kategori negatif. Berdasarkan hasil klasifikasi, mayoritas opini bersifat positif, mencerminkan bahwa mahasiswa menerima adanya kebijakan tersebut. Hasil evaluasi melalui confusion matrix serta K-Fold Cross Validation menunjukkan bahwa pendekatan klasifikasi Naïve Bayes mengungguli KNN dengan accuracy 74.87%, precision 74.92%, recall 74.87%, dan f1-score 74.64%. Sementara itu, KNN mencatat accuracy 72.84%, precision 72.80%, recall 72.84%, dan f1-score 72.67%. Hal tersebut mengindikasikan bahwa Naïve Bayes mempunyai kemampuan generalisasi yang lebih unggul pada konteks data teks multibahasa yang kompleks. Penelitian ini menyoroti pentingnya strategi evaluasi dan teknik preprocessing yang sesuai dalam klasifikasi sentimen multibahasa.
 
Kata Kunci - Analisis Sentimen, K-Nearest Neighbor, Multi Bahasa, Naïve Bayes; Perkuliahan Online.

Pencarian data pada platform PUSDATA masih terkendala kesalahan pengetikan (typo) dan perbedaan istilah yang digunakan pengguna. Hal ini menyebabkan pencarian gagal menemukan data yang relevan jika terjadi kesalahan kecil dalam penulisan kata kunci. Penelitian ini bertujuan menganalisis penerapan algoritma Damerau Levenshtein Distance dengan ekspansi sinonim untuk meningkatkan akurasi pencarian data. Metode yang digunakan meliputi tokenisasi, perhitungan jarak string untuk memperbaiki kesalahan ketik, dan penambahan sinonim guna memperluas pencarian. Dataset diperoleh dari scraping 500 judul dataset UCL Repository dan memperkaya makna kata dengan sinonim dari artikata.com. Pengujian dilakukan menggunakan kata kunci dengan variasi kesalahan penulisan. Hasil pengujian menunjukkan algoritma mampu memberikan rekomendasi kata yang relevan dengan akurasi 85% dari 20 data uji, di mana 17 data berhasil dikenali dengan benar dan 3 data tidak sesuai karena kemiripan karakter rendah. Penerapan algoritma ini efektif dalam meningkatkan kualitas pencarian data dengan mengoreksi berbagai kesalahan pengetikan dan menangani variasi sinonim kata kunci. Hasil ini menunjukkan sistem pencarian menjadi lebih fleksibel dan akurat dalam menemukan data meskipun terdapat kesalahan penulisan.
 
Kata kunci: Damerau Levenshtein Distance, Ekspansi Sinonim, Pencarian Data, PUSDATA,