Pengamanan data dalam era digital menjadi semakin penting dengan meningkatnya kebutuhan untuk melindungi informasi sensitif. Penelitian ini mengimplementasikan algoritma Hill Cipher yang dimodifikasi dengan operasi modulo pada karakter ASCII untuk memperluas cakupan aplikasi metode kriptografi ini. Hill Cipher, yang secara klasik menggunakan alfabet dengan operasi modulo 26, dibatasi hanya pada huruf-huruf alfabet. Modifikasi yang diusulkan dalam penelitian ini menggunakan operasi modulo 256, yang mencakup seluruh karakter ASCII (0–255), termasuk huruf, angka, simbol, dan karakter khusus. Penelitian ini menggunakan matriks kunci berukuran 2 x 2 yang memastikan keamanan melalui perhitungan determinan yang tidak nol dan coprime dengan 256. Proses enkripsi dilakukan dengan mengalikan vektor yang mewakili nilai ASCII dari plaintext dengan matriks kunci, diikuti oleh operasi modulo 256 untuk memastikan hasilnya berada dalam rentang karakter ASCII yang valid. Hasil enkripsi berupa ciphertext kemudian dideskripsi dengan invers matriks kunci yang diperoleh melalui operasi invers modulo 256. Penelitian ini membuktikan bahwa Hill Cipher yang dimodifikasi dapat diterapkan secara efektif untuk pengamanan data modern berbasis teks, menghasilkan ciphertext yang aman dan plaintext yang dapat didekripsi dengan akurat.
 
Kata kunci: Hill Cipher, ASCII, operasi modulo 256, enkripsi, dekripsi

Penelitian ini bertujuan untuk mengembangkan dan menguji aplikasi Augmented Reality (AR) berbasis metode markerless dengan pendekatan mid air untuk meningkatkan efektivitas pembelajaran tata surya. Aplikasi ini dirancang untuk mengatasi keterbatasan pada aplikasi AR konvensional, yang sering kali bergantung pada deteksi permukaan datar, serta untuk meningkatkan realisme dan fleksibilitas interaksi antara objek virtual dan lingkungan fisik. Metodologi pengujian mencakup empat skenario berbeda yang mengevaluasi akurasi deteksi ruang 3D di bawah berbagai kondisi pencahayaan. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi ruang 3D dengan baik pada intensitas cahaya tinggi di luar ruangan (1007 LUX) dan rendah di dalam ruangan (20 LUX). Namun, ketika kamera diarahkan ke tembok polos dengan intensitas cahaya 100 LUX, deteksi ruang 3D gagal. Sebaliknya, pada kondisi malam hari dengan cahaya sangat rendah (di bawah 15 LUX), aplikasi tetap berhasil menempatkan objek 3D secara akurat. Penilaian usability dari 24 responden memberikan skor SUS rata-rata 92,4, menempatkan aplikasi dalam kategori "Acceptable" dengan Grade Scale "A" dan Adjective Rating "Excellent". Temuan ini menegaskan bahwa aplikasi AR yang dikembangkan memiliki potensi signifikan sebagai media pembelajaran interaktif, memberikan visualisasi yang mendalam dan mendukung pemahaman konsep tata surya secara efektif.
 
Kata kunci: Mid Air, Markerless, Augmented Reality, Tata surya, Usability

Kekurangan gizi menjadi masalah dalam tumbuh kembang anak yang dapat menyebabkan stunting, wasting, mudah terkena penyakit serta penurunan kecerdasan otak dan mental. Stunting di Kabupaten Sikka pada tahun 2022 sebesar 13,8% dari hasil e-PPGBM periode Bulan Agustus 2022. Untuk mengatasi masalah ini diperlukan klasifikasi status stunting yang sangat berpengaruh terhadap tumbuh kembang anak sehingga dapat memberikan perhatian lebih dari faktor stunting yang paling tinggi di suatu daerah. Dengan bertambahnya jumlah balita dan peningkatan kasus stunting, proses penyelesaian tidak bisa dilakukan dengan cepat. Selain itu, tidak semua petugas posyandu bisa menghitung status gizi balita secara manual. Oleh karena itu, agar orang tua dan kader posyandu dapat mengetahui kondisi anak lebih cepat, diperlukan sistem yang menggunakan model algoritma C4.5. Sistem ini mampu mengolah data numerik (kontinu) dan diskrit. Penelitian ini menggunakan 5 atribut, yaitu usia, inisiasi menyusui dini (Imd), tinggi badan, jenis kelamin, dan berat badan. Keistimewaan penelitian ini adalah penggunaan atribut Inisiasi Menyusui Dini (IMD) yang belum pernah digunakan dalam penelitian sebelumnya dengan data numerik. Penggunaan algoritma C4.5 untuk menganalisis hasil stunting dan menyajikannya dalam bentuk website menghasilkan tingkat akurasi yang tidak jauh berbeda dengan pembagian data latih dan data uji sebesar 92.68 dan 90.98% dengan Max Dept 10.
 
Kata kunci: Algoritma C4.5, Stunting, Balita, Klasifikasi, Website

This research investigates school scope classification using Deep Neural Networks (DNN), focusing on students living environments and educational opportunities. By addressing the interplay of socioeconomic and educational factors, the study aims to develop an analytical framework for understanding how environmental contexts shape academic trajectories. The research provides a nuanced understanding of the importance of features in educational classification by developing DNN models based on Spearman's Rank Correlation Coefficient (SRCC). The methodology employs machine learning techniques, integrating data wrangling, exploratory analysis, and multiple DNN models with K-fold cross-validation. The study analyzes 677 student records from two schools. The research examined multiple model configurations. Results show that the 'All Data' model achieved 83.08% accuracy, the 'Top 5' model 81.54%, and the 'Non-Top 5' model 79.23%. The SRCC-based approach revealed that while top correlated features are important, additional variables significantly contribute to model performance. The study highlights the profound impact of family background, social environment, and educational contexts on school selection. Furthermore, it demonstrates DNN's capability to uncover intricate, non-linear relationships, offering actionable insights for policymakers to leverage machine learning's potential in developing targeted educational strategies.

Tata kelola Teknologi Informasi (TI) adalah kerangka kerja yang digunakan organisasi untuk mengelola dan mengendalikan sumber daya TI secara efektif, dengan tujuan memaksimalkan nilai bisnis. PT. Kobexindo Tractor TBK menghadapi tantangan dalam mengoptimalkan manajemen TI mereka, khususnya dalam pengelolaan data penting. Penelitian ini bertujuan untuk menerapkan kerangka COBIT 2019 guna meningkatkan tata kelola TI di PT. Kobexindo Tractor TBK, sehingga layanan data kritis dapat dikelola secara efisien. Temuan menunjukkan bahwa perusahaan belum melakukan penilaian menyeluruh terhadap tata kelola TI dan menghadapi tantangan dalam manajemen data pesanan dan informasi stok. PT. Kobexindo Tractor TBK memerlukan proses tata kelola TI yang lebih terstruktur untuk memastikan penggunaan teknologi yang efektif dan efisien dalam mencapai tujuan bisnis. Proses tinjauan pustaka mengidentifikasi kesenjangan dalam penelitian saat ini, memberikan dasar untuk penelitian yang lebih komprehensif. Setelah analisis tujuan BAI05 dan BAI11, ditemukan hasil yang berbeda. Pada BAI05, pertanyaan mencapai level 2 dengan 75%, di bawah 85%. Demikian juga, pada BAI11, pertanyaan mencapai level 2 dengan 66%. Dengan temuan ini, penelitian ini didukung landasan teoretis yang kuat, memastikan analisis yang mendalam terhadap masalah tata kelola TI.
 
Kata kunci: Tata Kelola Teknologi Informasi, COBIT 2019, Manjemen Informasi

Penelitian ini mengkaji penerapan Internet of Things (IoT) dalam sistem monitoring kesehatan melalui tinjauan literatur yang mendalam. Inovasi dalam perangkat wearable, platform cloud, dan algoritma analitik memungkinkan pengumpulan data fisiologis secara real-time, pemantauan jarak jauh, dan deteksi dini anomali kesehatan. Implementasi teknologi ini telah menunjukkan hasil yang menjanjikan, seperti akurasi tinggi dalam pengukuran parameter kesehatan, efektivitas dalam mendeteksi kondisi kritis, dan peningkatan akses terhadap perawatan kesehatan untuk populasi yang kurang terlayani. Namun, adopsi sistem monitoring kesehatan berbasis IoT menghadapi beberapa tantangan, termasuk keamanan data, interoperabilitas, dan validasi klinis. Untuk memaksimalkan potensi teknologi ini, penelitian masa depan perlu difokuskan pada penguatan keamanan dan privasi data pasien. Dengan memanfaatkan kemajuan teknologi seperti Artificial Intelligence (AI), Machine Learning (ML), dan integrasi Electronic Health Records (EHR), sistem monitoring ke6sehatan berbasis IoT dapat mencapai potensi penuh mereka dalam mentransformasi perawatan kesehatan dan memberdayakan individu untuk mengambil peran proaktif dalam mengelola kesehatan.
 
Kata kunci: Catatan Kesehatan Elektronik, Internet of Things, Kecerdasan Buatan, Pembelajaran Mesin, Sistem Pemantauan Kesehatan.

Konsep Orientasi Pelanggan sangat penting bagi perusahaan untuk berkembang di era saat ini, dengan memanfaatkan teknologi untuk mendapatkan wawasan yang mendalam tentang perilaku pelanggan mereka. Salah satu alat teknologi tersebut adalah pembelajaran mesin, khususnya yang menggunakan pendekatan pemrosesan bahasa alami (NLP). Penelitian ini menggunakan lima algoritma yang berbeda dan menggabungkan berbagai metode untuk meningkatkan kinerja model machine learning. Melalui penerapan teknik-teknik seperti random over-sampling (ROS) dan ensemble learning, akurasi prediksi keseluruhan untuk kelas minoritas meningkat secara signifikan. Model ensemble yang diintegrasikan dengan ROS mencapai akurasi 0,90 dan mean square error 0,91, mengungguli algoritma lain yang diuji dalam penelitian ini. Pendekatan yang dioptimalkan ini tidak hanya menunjukkan keefektifan pemanfaatan teknologi untuk sebuah perusahaan dapat menerapkan strategi yang berpusat pada pelanggan, tetapi juga menyoroti pentingnya peningkatan metodologi dalam pemodelan prediktif untuk keberlanjutan bisnis.
 
Kata kunci: Klasifikasi Emosi, Pembelajaran Mesin, Pemrosesan Bahasa Alami, Hard Voting, Random Over Sampling.

Penyakit paru-paru, seperti pneumonia dan kanker paru-paru, menjadi masalah kesehatan global dengan tingkat kematian tinggi, terutama dipengaruhi oleh polusi udara, infeksi, dan kebiasaan merokok. Pencegahan dan deteksi dini sangat penting dalam mengurangi dampaknya. Algoritma yang digunakan dalam penelitian ini meliputi Random Forest, XGBoost, dan Logistic Regression. Tujuannya yaitu untuk membandingkan performa tiga algoritma machine learning dalam mengklasifikasikan penyakit paru-paru menggunakan metrik evaluasi seperti, akurasi, presisi, recall, dan F1-score.  Setelah hyperparameter tuning, XGBoost menunjukkan hasil terbaik dengan akurasi 94,44%, presisi 94,98%, recall 94,44%, dan F1-score 94,41%, menunjukkan keseimbangan optimal antara presisi dan recall. Random Forest juga memberikan hasil yang sebanding dengan XGBoost dengan akurasi dan presisi yang tinggi. Sementara itu, Logistic Regression menunjukkan keterbatasan dalam menangani data yang kompleks, dengan performa yang lebih rendah pada seluruh metrik evaluasi. Penelitian ini menunjukkan bahwa algoritma berbasis pohon keputusan seperti XGBoost dan Random Forest lebih unggul untuk klasifikasi penyakit paru-paru, menjadikannya metode yang lebih andal untuk mendukung deteksi dini penyakit ini.
 
Kata kunci: Hyperparameter Tuning, Logistic Regression, Penyakit Paru-paru, Random Forest, XGBoost.

K-Means dan K-Medoids digunakan untuk menilai indikator sosial ekonomi dan kesehatan di Provinsi Jawa Timur tahun 2023 melalui metode klasterisasi. Dengan menggunakan Principal Component Analysis (PCA) untuk mereduksi dimensi variabel, penelitian ini mengelompokkan wilayah berdasarkan karakteristik sosial ekonomi dan kesehatan. Data yang dianalisis termasuk angka harapan hidup, tingkat kemiskinan, pengangguran, dan akses ke layanan kesehatan. Kebaruan penelitian ini terletak pada kombinasi unik antara PCA dan K-Medoids untuk menghasilkan klaster yang lebih akurat dan robust terhadap outlier, dibandingkan metode yang biasanya hanya menggunakan satu teknik klasterisasi atau tidak melibatkan reduksi dimensi. Hasil penelitian menunjukkan bahwa K-Medoids dengan PCA menghasilkan klaster yang lebih koheren dan terpisah daripada K-Means, terutama dalam menangani outlier. Menurut metode Elbow dan Silhouette, empat hingga lima klaster adalah pilihan terbaik. PCA meningkatkan akurasi dan efisiensi klasterisasi dengan mengurangi kompleksitas data, yang menghasilkan klaster yang lebih baik Diharapkan temuan ini akan membantu pemerintah membuat kebijakan yang lebih baik untuk mengatasi ketimpangan kesehatan dan sosial ekonomi di Jawa Timur.
 
Kata kunci: Klasterisasi, Outlier, Principal Component Analysis (PCA)

Kegagalan jantung (Heart Failure) merupakan salah satu penyebab utama kematian dan morbiditas secara global, dengan lebih dari 26 juta orang terdampak di seluruh dunia. Deteksi dini kegagalan jantung sangat penting untuk mencegah komplikasi yang lebih serius, namun diagnosis sering kali sulit dilakukan karena gejala yang tidak spesifik. Pembelajaran mesin (machine learning) telah banyak digunakan untuk membantu prediksi risiko kegagalan jantung melalui analisis data medis. Berbagai algoritma klasifikasi telah diimplementasikan dalam berbagai penelitian sebalumnya, namun belum ada konsensus mengenai algoritma terbaik. Penelitian ini bertujuan untuk melakukan komparasi performa beberapa algoritma klasifikasi dalam memprediksi gagal jantung, menggunakan dataset Heart Failure Prediction dari Kaggle. Algoritma yang diuji termasuk Logistic Regression, K-Nearest Neighbors (KNN), Decision Tree, Random Forest, GaussianNB, dan LightGBM. Hasil menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan akurasi 95 persen, sedangkan algoritma KNN menunjukkan akurasi terendah sebesar 76 persen. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem pendukung keputusan klinis yang lebih baik untuk prediksi kegagalan jantung.
 
Kata Kunci: Heart Failure, mesin pembelajaran algoritma klasifikasi