Penelitian ini mengeksplorasi penerapan dari metode Parameter-Efficient Finetuning (PEFT) Low-Rank Adaptation+ (LoRA+) pada transfer learning model Llama 3.2 1B, sebuah model bahasa besar. Seiring bertambahnya ukuran model bahasa, finetuning yang dilakukan secara konvensional dalam transfer learning semakin tidak fisibel untuk dilakukan tanpa menggunakan komputasi skala besar. Untuk menangani hal tersebut, dapat dilakukan finetuning pada beberapa komponen saja, menggunakan komputasi yang relatif minimal berbanding dengan finetuning konvensional, metode-metode yang menerapkan prinsip ini disebut juga sebagai PEFT. Penelitian menguji efektifitas metode PEFT, yakni LoRA+, pada transfer learning model bahasa besar terhadap domain baru, yakni bahasa Indonesia, menggunakan metrik BLEU, ROUGE, serta Weighted F1. Hasil penelitian menunjukkan bahwa penerapan LoRA+ menghasilkan performa kompetitif dan unggul terhadap baseline dalam kemampuan berbahasa Indonesia, dengan peningkatan 112% pada skor BLEU dan 21.7% pada skor ROUGE-L, dengan standar deviasi yang relatif rendah sebesar 3.72 dan 0.00075. Meskipun terjadi penurunan pada skor Weighted F1 sebesar 13% yang disebabkan oleh domain shift, model menunjukkan kemampuan transfer lintas-bahasa yang baik.
Kata kunci: Finetuning, Model Bahasa Besar, Parameter-Efficient Finetuning, Low-Rank Adaptation, Transfer Learning

Pemesanan menu pada suatu kedai kopi, umumnya dilakukan dengan pelanggan datang langsung ke lokasi, memilih menu yang diinginkan, dan melakukan pemesanan melalui kasir. Cara tersebut seringkali dijumpai sebagai satu-satunya cara untuk memesan menu kafe. Sistem tersebut juga diterapkan pada Kopi Gambus Krapyak, Yogyakarta dan masih terdapat beberapa kelemahan, seperti waktu yang dibutuhkan apabila antrean melonjak dan kesalahan saat mencatat pesanan pelanggan. Penelitian ini bertujuan untuk mengembangkan sistem pemesanan menu berbasis mobile yang memungkinkan pelanggan untuk memesan dan membayar langsung dari ponsel dan mengurangi antrean dan waktu tunggu. Metode yang digunakan melibatkan perancangan sistem menggunakan Unified Modelling Language (UML) dan pengembangan aplikasi pemesanan berbasis mobile sekaligus sistem pengelolaan kafe berbasis website. Aplikasi pemesanan dibangun dengan menggunakan framework React Native, sedangkan Sistem pengelolaan menggunakan sebuah framework bahasa PHP, yakni CodeIgniter. Sistem yang dibangun ini dilengkapi dengan fitur Payment Gateway dari Midtrans yang memungkinkan pelanggan untuk membayar pesanannya secara cashless langsung di dalam aplikasi sehingga dapat mengurangi antrean. Hasil penelitian menunjukkan bahwa sesudah pengimplementasian aplikasi, pelanggan tidak perlu repot untuk memesan, membayar, dan menunggu di kafe sehingga beberapa antrean pesanan pelanggan dapat dikerjakan secara bersamaan.
 
Keywords - Aplikasi Mobile, Payment Gateway, Pemesanan Menu, Sistem berbasis website, Unified Modelling Language.

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.

Keamanan data transaksi merupakan aspek krusial dalam sistem e-commerce, khususnya bagi pelaku usaha kecil menengah (UMKM). Penelitian ini bertujuan untuk mengimplementasikan algoritma Blowfish dengan mode Cipher Block Chaining (CBC) dan panjang kunci 160-bit guna meningkatkan keamanan data transaksi penjualan. Algoritma Blowfish dipilih karena efisien dan mendukung penggunaan Initialization Vector (IV) acak yang memperkuat proteksi terhadap serangan pattern dan dictionary. Data transaksi pelanggan dan pembayaran disimpan dalam bentuk ciphertext menggunakan OpenSSL. Pengujian dilakukan terhadap 20 data transaksi menggunakan serangan dictionary berbasis OpenSSL, dan hasil menunjukkan bahwa data tidak dapat didekripsi, membuktikan efektivitas pendekatan ini. Hasil penelitian ini menunjukkan bahwa penggunaan Blowfish CBC 160-bit dengan IV acak mampu memberikan perlindungan kuat dan efisien dalam konteks aplikasi e-commerce untuk UMKM.
Kata kunci: Keamanan Data Transaksi, Blowfish CBC, Initialization Vector, E-Commerce, Dictionary Attack

Huruf Braille adalah huruf yang memiliki sistem tulisan yang menggunakan indra peraba untuk menggunakannya dan umum digunakan oleh penyandang tunanetra. Pada orang normal yang sering berinteraksi dengan para penyandang tunanetra terkadang mengalami kesulitan dalam menggunakan huruf braille, sehingga diperlukan suatu pendekatan teknologi sistem cerdas untuk dapat membantu mengenali huruf braille. Penelitian ini bertujuan untuk menggunakan metode depthwise separable convolutional neural network untuk melakukan pengenalan terhadap gambar braille. Dataset yang digunakan memiliki ukuran 28x28 dengan total dataset sebanyak 1560 citra. Arsitektur yang digunakan adalah input layer, yaitu sebesar 28x28x3 dan layer depthwise separable convolution pertama, kedua, dan ketiga menggunakan masing masing 3x3x128, 3x3x256, dan 2x2x512 dengan fungsi aktivasi rectified linear unit (ReLu) dan setiap konvolusi diikuti dengan lapisan-lapisan maxpooling dan batch normalization. Setelah itu, dilanjutkan dengan dua fully connected layer dengan jumlah neuron 256 dan 128 serta diakhiri dengan output layer sejumlah 26 neuron. Arsitektur tersebut menghasilkan model terbaik dengan akurasi sebesar 98.40%. Model tersebut diterapkan pada aplikasi berbasis website. Hasil temuan penelitian ini diharapkan dapat membantu masyarakat dalam mengenali huruf braille dengan mudah.
 
Kata kunci: tunanetra, braille, depthwise separable convolution, model, akurasi

Chatbot berbasis Dialogflow ini dapat membantu mempromosikan UMKM kuliner di Kota Semarang yang belum terekspos secara optimal. Dengan memanfaatkan teknologi Natural Language Processing (NLP), penelitian ini bertujuan merancang chatbot rekomendasi tempat kuliner yang diintegrasikan dengan platform Telegram. Metode pengembangan sistem menggunakan pendekatan model waterfall yang mencakup analisis kebutuhan, perancangan sistem, implementasi, pengujian, serta pemeliharaan. Hasil penelitian menunjukkan bahwa chatbot mampu memberikan rekomendasi sesuai preferensi pengguna, termasuk lokasi, jam operasional, nomor telepon, estimasi harga, tautan google maps, gambar produk dan tempat UMKM dengan akurasi pengujian mencapai 100%. Evaluasi melalui System Usability Scale (SUS) menghasilkan skor rata-rata 85,75 yang mengindikasikan sistem ini mudah digunakan dan memiliki potensi untuk diterapkan secara luas, dimana chatbot ini tidak hanya memudahkan pengunjung menemukan kuliner yang sesuai tetapi juga menjadi media promosi efektif bagi UMKM untuk meningkatkan daya saing serta mendukung pertumbuhan ekonomi lokal.
 
Kata kunci: Chatbot, Dialogflow, NLP, Waterfall, UMKM Kuliner

Skin diseases are health problems that require accurate diagnosis to evaluation and ultimately leading to treatment decisions. One of the crucial roles in the diagnostic process is medical imaging. Machine learning technology can assist in classifying skin diseases using image data and achieving high levels of accuracy in diagnosis. The purpose of this research is to review machine learning algorithms that can be utilized to develop image-based skin disease classification systems. The methodology employed is a Systematic Literature Review (SLR), which can be used to provide a comprehensive review of the application of machine learning in the classification of skin diseases. The literature search strategy was based on the Boolean technique, applied to the Scopus database. The selected articles were screened using predefined inclusion and exclusion criteria. The results indicate that the most used machine learning algorithm with achieved the highest classification accuracy is the Convolutional Neural Network (CNN).
Keywords - Skin Disease, Machine Learning, Classification, CNN.

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,

Penelitian ini menyelidiki faktor yang memengaruhi adopsi penggunaan aplikasi galeri virtual GaYa dengan menggunakan Technology Acceptance Model (TAM) sebagai kerangka teori untuk mengeksplorasi hubungan antara Perceived Ease of Use (PEU), Perceived Usefulness (PU), dan Behavioral Intention (BI) dalam konteks aplikasi GaYa. Data yang diperoleh dari 120 responden survei dianalisis menggunakan Generalized Structured Component Analysis (GSCA) untuk mengkaji hubungan antar variabel dalam studi ini. Melalui kalkulasi nilai Critical Ratio (CR), hasil penelitian menunjukkan bahwa PEU memiliki pengaruh signifikan terhadap PU dan BI. Selain itu, PU terbukti menjadi prediktor kuat terhadap BI sehingga menegaskan bahwa pentingnya kegunaan dan nilai fungsional dalam adopsi teknologi. Temuan ini memberikan wawasan berharga bagi praktisi dan pengembang yang ingin meningkatkan efektivitas platform galeri virtual. Hasil studi ini juga menyoroti pentingnya pengembangan desain yang intuitif dan berpusat pada pengguna serta mampu memberikan manfaat nyata bagi pengguna. Keterbatasan dari studi ini terletak pada desain penelitian yang bersifat cross-sectional dan penggunaan sampel yang terbatas secara lokal, yang mungkin membatasi generalisasi temuan ke konteks yang lebih luas. Untuk meningkatkan pemahaman mengenai penerimaan pengguna dalam platform seni digital, penelitian selanjutnya disarankan untuk menggunakan desain longitudinal, menyelidiki faktor tambahan seperti kepercayaan pengguna dan estetika, serta melibatkan partisipan yang lebih beragam.
 
Kata Kunci - Technology Acceptance Model (TAM), Perceived Ease of Use (PEU), Perceived, Usefulness (PU), Behavioral Intention (BI), Virtual Gallery

Di era serba AI (Artificial Intelligence) seperti saat ini, penggunaan teknologi Optical Character Recognition (OCR) adalah hal yang lumrah. Salah satunya adalah pada Manless Parking System atau sistem parkir otomatis. Pada sistem ini teknologi OCR digunakan untuk mendeteksi plat nomor kendaraan secara otomatis. Namun begitu tidak semua metode memberikan hasil yang optimal. Pada penelitian-penelitian sebelumnya rata-rata tingkat akurasi dari penerapan OCR adalah sebesar 90%. Pada penelitian ini digunakan metode OCR dari Google yaitu Google Vision dan Pattern Regex untuk mendeteksi plat nomor kendaraan pada citra digital. Google Vision dipilih karena kemampuannya yang relatif lebih baik dibandingkan metode OCR lainnya seperti Tesseract dan EasyOCR. Sedangkan Regex Pattern digunakan untuk melakukan filtering terhadap teks hasil ekstraksi OCR yang tidak diperlukan. Penelitian ini diujikan terhadap 150 data sample berformat JPG dan JPEG. Ukuran file bervariasi antara 50 KB – 2 MB. Sudut pengambilan gambar juga dibuat bervariasi. Hasil penelitian menunjukkan bahwa penggunaan metode OCR dengan Google Vision dan Regex Pattern memberikan hasil yang sangat baik dengan tingkat akurasi mencapai 99,50%. Hasil ini lebih baik dibandingkan hasil pada penelitian-penelitian sebelumnya.
Kata Kunci : Plat Nomor Kendaraan, Optical Character Recognition, Google Vision, Regex Pattern