Industri otomotif merupakan salah satu sector ekonomik terbesar di dunia, dengan berbagai rantai pasok yang kompleks. Kompleksitas data otomotif yang beragai sering kali banyak mengandung atribut data non-numerik, seperti nama, jenis spare part, merk, dan atribut kualitatif lainnya. Analisis non-nurmerik dapat memberikan wawasan berharga dengan pola dan hubungan antar suku cadang. Tujuan dari penelitian ini yaitu untuk mengembangkan metode k-means clustering pada dataset spare part yang mengandung atribut non-numerik. K-means clustering adalah Teknik yang umumnya digunakan untuk analisis data numerik dan memerlukan modifikasi atau keterlibatan metode lain dalam mengatasi data non-numerik. Adapun proses yang dilibatkan yaitu proses normalisasi dengan menggunakan metode binning. Implementasi K-means Clustering pada dataset non-numerik memiliki manfaat potensial. Pertama, itu memungkinkan identifikasi kelompok dari suku cadang yang memiliki karakterisktik serupa, yang dapat digunakan untuk mengelompokkan produk serupa. Kedua yaitu untuk membantu dalam pengelolaan ketersedian dengan lebih efisien, menghindari kelebihan persedian, dan memenuhi permintaan pelanggan dengan lebih baik. Penelitian ini menghadapi tantangan dalam menentukan metrik kesamaan yang tepat untuk data non-numerik dan dalam menentukan jumlah cluster yang optimal. Namun, metodologi yang cermat dan eksperimen yang bekelanjutan, mampu mengembangkan pendekatan yang dapat digunakan dalam pengelompokan suku cadang mobil non-numerik. Hasil dari penelitian ini diperoleh sebaran data dengan menggunkan cluster K=2 dengan nilai Silhouette sebagai nilai dari sebaran data yaitu 0,925.

Komunikasi merupakan kegiatan kemasyarakatan yang dimana dilakukan dua atau lebih orang untuk dapat saling bertukar informasi. Komunikasi dapat dilakukan dimana saja dan kapan saja.  Namun komunikasi secara normal tidak dapat dilakukan oleh kalangan berkebutuhan khusus terutama tuna wicara. Permasalahan tersebut menimbulkan banyak kerugian bagi penyandang tunawicara untuk berkomunikasi dengan kaum dengar. Kondisi tersebut dapat dihindari dengan membuat sistem pendeteksian bahasa isyarat alfabet BISINDO berbasis computer vision. Penelitian ini memanfaatkan kecerdasan buatan dalam mengenali bahasa isyarat, serta penggunaan konsep Deep Learning dan pemanfaatan arsitektur YOLOv4.  Kecepatan dan keringanan komputasi juga menjadi pertimbangan penting dalam penelitian ini untuk mendapat hasil yang cukup baik dengan waktu komputasi secepat mungkin. Sistem dibangun menggunakan total 494 dataset citra yang sekaligus digunakan untuk pelatihan serta pengujian sistem. Untuk dapat mengukur besarnya performa dari model digunakanlah Confusion Matrix. Hasil dari pengujian menunjukkan bahwa sistem memiliki tingkat accuracy sebesar 99.7%, tingkat precision sebesar 96%, dan tingkat recall sebesar 96%. Penelitian ini membuktikan bahwa metode ini dapat digunakan untuk mendeteksi bahasa isyarat alfabet BISINDO dengan benar dan akurat berdasarkan masukan gambar.Komunikasi merupakan kegiatan kemasyarakatan yang dimana dilakukan dua atau lebih orang untuk dapat saling bertukar informasi. Komunikasi dapat dilakukan dimana saja dan kapan saja.  Namun komunikasi secara normal tidak dapat dilakukan oleh kalangan berkebutuhan khusus terutama tuna wicara. Permasalahan tersebut menimbulkan banyak kerugian bagi penyandang tunawicara untuk berkomunikasi dengan kaum dengar. Kondisi tersebut dapat dihindari dengan membuat sistem pendeteksian bahasa isyarat alfabet BISINDO berbasis computer vision. Penelitian ini memanfaatkan kecerdasan buatan dalam mengenali bahasa isyarat, serta penggunaan konsep Deep Learning dan pemanfaatan arsitektur YOLOv4.  Kecepatan dan keringanan komputasi juga menjadi pertimbangan penting dalam penelitian ini untuk mendapat hasil yang cukup baik dengan waktu komputasi secepat mungkin. Sistem dibangun menggunakan total 494 dataset citra yang sekaligus digunakan untuk pelatihan serta pengujian sistem. Untuk dapat mengukur besarnya performa dari model digunakanlah Confusion Matrix. Hasil dari pengujian menunjukkan bahwa sistem memiliki tingkat accuracy sebesar 99.7%, tingkat precision sebesar 96%, dan tingkat recall sebesar 96%. Penelitian ini membuktikan bahwa metode ini dapat digunakan untuk mendeteksi bahasa isyarat alfabet BISINDO dengan benar dan akurat berdasarkan masukan gambar.

Penyakit Kardiovaskular (Cardiovascular Diseases) adalah faktor utama kematian global, dengan jumlah korban mencapai 17,9 juta jiwa setiap tahun atau sekitar 32% dari total kematian global (World Health Organization, 2021). Faktor risiko penyakit kardiovaskular diantaranya faktor usia, semakin bertambahnya usia seseorang, maka semakin tinggi risiko terkena penyakit kardiovaskular. Faktor lain yaitu memiliki riwayat penyakit kardiovaskular dalam keluarga, diabetes, tekanan darah tinggi, obesitas (kegemukan), Pola hidup tidak sehat, dan Stres. (Kemenkes RI, 2021). Masalah pada penelitian ini adalah bagaimana mengetahui model K-Nearest Neighbors (KNN) dengan baik melalui perhitungan accuracy, recall, precision, dan f1-score pada klasifikasi penyakit kardiovaskular. Tujuan penelitin ini adalah mengetahui kinerja K-Nearest Neighbors (KNN) dengan baik melalui perhitungan accuracy, recall, precision, dan f1-score pada klasifikasi penyakit kardiovaskular. Metode K-Nearest Neighbor (KNN) adalah salah satu metode klasifikasi yang memanfaatkan pola-pola data yang ada dalam dataset untuk mengklasifikasi kategori atau kelas dari suatu sampel yang belum diketahui. Hasil klasifikasi data pelatihan menunjukkan akurasi sebesar 85.49%, dengan precision 84,43%, recall 87,04%, dan f1-score 85,71%. Melalui uji coba menggunakan KNN, diperoleh hasil dengan akurasi sebesar 91% dan nilai presisi 90%, recall 93%, dan f1-score 92%. Kesimpulan dari penelitian ini adalah metode K-Nearest Neighbor (KNN) memiliki hasil yang baik untuk melakukan klasifikasi pada penyakit kardiovaskular yaitu akurasinya 91%.

Kemajuan teknologi yang serba digital telah mengubah cara konsumen berinteraksi dengan layanan e-commerce, khususnya dalam sektor makanan dan minuman. Studi ini mengkaji pengalaman pengguna (user experience) dalam aplikasi Klik Food Indomaret, sebuah platform e-commerce yang menawarkan berbagai produk makanan dan minuman. Penelitian ini bertujuan membuat UI/UX yang dapat menimbulkan kepuasan pengguna dalam proses transaksi di dalam layanan sehingga pengguna senang serta transaksi sukses menggunakan Heart Framework dan Double Diamond. Heart Framework dengan penerapan aspek happiness dan task success yang diteapkan menggunakan metrik SEQ, SUS dan MAUS. Pada penelitian ini heart framework dan double diamond kredibel dalam menciptakan kepuasan pengguna dengan hasil SEQ 5,74 dari 7, SUS 74 dari 100 dan MAUS 86,6. Semua hasil metrik memasuki kategori baik atau hasil kepuasan pengguna terhadap protipe aplikasi dapat diterima.

Mint (Mentha Spicata) adalah tanaman yang relatif sulit untuk dibudidayakan. Faktor – faktor penyebab hal tersebut adalah berikut : jenis tanah, kelembaban tanah, suhu dan kelembaban lingkungan, serta lingkungan tempat tanaman tumbuh. Faktor-faktor tersebut selain mempengaruhi pertumbuhan tanaman Mint (Mentha Spicata) juga menentukan rasa yang dihasilkan oleh tanaman Mint (Mentha Spicata). Topik ini tentunya menarik perhatian para peneliti untuk membuat solusi dari permasalahan tersebut. Solusi yang kami tawarkan kepada para pembudidaya tanaman Mint (Mentha Spicata) adalah alat yang mampu memantau data suhu dan kelembaban tanaman dengan menggunakan aplikasi Blynk sebagai interface di lapangan dan jarak jauh menggunakan Handphone atau perangkat lainnya. Sistem yang kami rancang juga dilengkapi dengan kontrol output dengan menggunakan metode Fuzzy Mamdani sebagai basisnya, sehingga penggunaan daya menjadi lebih efisien. Penelitian ini menggunakan ESP32 CAM yang memiliki dukungan akses internet sehingga dapat digunakan untuk IoT, serta dilengkapi dengan modul kamera untuk memantau kondisi tanaman Mint (Mentha Spicata) secara langsung. Sensor yang digunakan sebagai parameter masukan adalah DHT22 untuk membaca data suhu dan kelembaban dan sensor Kelembapan Tanah YL-69 yang digunakan sebagai pembacaan data kelembaban dari tanah.

Pemerintah Jawa Tengah memprioritaskan pemulihan pariwisata akibat Covid-19. Tingkat penghunian kamar (TPK) hotel dapat menjadi pertanda keberhasilan minat wisatawan terhadap daerah yang dikunjungi dan salah satu leading indicator dalam mengukur ekonomi pada sektor pariwisata. TPK hotel Jawa Tengah dipublikasikan oleh Badan Pusat Statistik (BPS) namun publikasi membutuhkan waktu satu atau dua bulan berikutnya. Pada penelitian ini melakukan komparasi model Sarimax dan Prophet untuk prediksi TPK hotel berbintang Jawa Tengah berdasarkan nilai MAPE dan waktu eksekusi program. Model dibuat menggunakan 2 kategori dataset yang telah di cek stasionaritasnya.  Dataset 1 yaitu data 2005-2022 (menyertakan situasi pandemi covid 19 hingga pemberhentian PPKM) dan data set 2 yaitu 2005-2019 (tanpa menyertakan situasi pandemi covid 19). Hasilnya model Sarimax dan prophet terbaik adalah model yang menggunakan dataset 2 dengan nilai MAPE 10.43% dan 47,529 detik waktu eksekusi sedangkan model prophet dengan dataset 2 mendapatkan nilai MAPE 6.05% dan 0.892 detik waktu eksekusi. Selanjutnya model Sarimax dan prophet yang menggunakan dataset 2, dilakukan prediksi dari tahun 2022 hingga februari 2023. Hasil prediksi kedua model dibandingkan dengan data aktual. Hasilnya, Sarimax lebih unggul daripada prophet dengan nilai MAPE 12.05% dan waktu eksekusi 0.014, prophet yaitu 14.07% dan 0.100 detik.

Tingginya jumlah penduduk telah menyebabkan perubahan lahan pertanian menjadi lahan non-pertanian. Solusi inovatif untuk mengatasi keterbatasan lahan yaitu urban agriculture, khususnya hidroponik. Namun, kondisi nutrisi pada air hidroponik sering kali dalam kondisi buruk sehingga perlu dimonitoring dan dideteksi tingkat kualitasnya untuk menjaga kondisi air nutrisi dalam bak hidroponik dalam keadaan baik. Kondisi air nutrisi yang baik akan mengoptimalkan proses penyerapan akar dan pertumbuhan tanaman. Parameter kualitas air nutrisi dapat dideteksi melalui suhu air nutrisi, kadar TDS (Total Dissolved Solids) di dalam nutrisi, dan tingkat keasamaan atau pH dari air nutrisi di dalam bak hidroponik. Metode fuzzy logic classification memungkinkan dalam mengolah kondisi aktual nutrisi dari ketiga parameter tersebut menjadi sebuah keputusan level kualitas air nutrisi tanaman dalam kondisi baik, sedang, buruk, ataupun sangat buruk. Penelitian ini menggunakan sensor suhu air, TDS, dan pH dalam pengukuran masing-masing parameter yang kemudian ditampilkan pada website. Hasil pengukuran parameter nutrisi mencapai error rendah yaitu ±5%. Hasil klasifikasi kualitas dari kondisi air nutrisi tanaman yang diputuskan dengan fuzzy logic sudah sesuai dengan yang diinginkan oleh petani dan berhasil 100% ditampilkan pada website pengguna. Sistem ini memudahkan pengguna dalam memantau, mengevaluasi, dan meningkatkan kondisi dan kualitas nutrisi tanaman dari jarak jauh.

Pembuatan model klasifikasi memerlukan beberapa hal yang penting untuk diperhatikan demi mendapatkan model yang memiliki performa terbaik. Indikator suatu model disebut baik dapat dilihat salah satunya dari tingginya nilai akurasi dan f1-score yang dihasilkan dari model tersebut. Rendahnya nilai loss juga merupakan salah satu indikator model tersebut memiliki performa yang baik. Untuk dapat membuat model yang baik, diperlukan beberapa syarat seperti arsitektur yang tepat dan data yang berkualitas. Pemilihan model yang terlalu sederhana akan mengakibatkan model memiliki performa yang buruk, begitupun jika model terlalu kompleks tidak akan menghasilkan performa yang baik pula, oleh karena itu model yang dipilih haruslah model yang tepat  dan sesuai dengan jenis data yang digunakan. Data yang berkualitas juga merupakan faktor penting agar model memiliki performa maksimal. Data dapat dikatakan berkualitas jika memenuhi syarat seperti jumlahnya cukup, distribusi datanya seimbang tiap kelas, memiliki keanekaragaman dan memiliki kebersihan yang baik.  Pada penelitian ini, dilakukan pembuatan model klasifikasi CT Kidney Stone dengan dataset yang imbalance. Dataset diperoleh dari sumber publik yaitu Kaggle. Pembuatan model menggunakan algoritma CNN karena CNN merupakan salah satu algoritma yang terbaik dalam membuat klasifikasi gambar. Pembuatan model menggunakan 3 cara untuk melihat model yang memiliki performa paling baik. Model pertama dibuat dengan data train yang imbalance. Model kedua dibuat dengan melakukan augmentasi data untuk menambah keragaman data. Model ketiga dibuat dengan SMOTE oversampling untuk menyeimbangkan distribusi data. Setelah itu ketiga model tersebut akan diuji dengan menggunakan data privat untuk melihat performa pengujian dan melihat tingkat overfitting yang terjadi. Penelitian ini menghasilkan bahwa model yang memiliki performa terbaik adalah model ketiga yang menggunakan SMOTE.

Taring Dukcapil adalah sistem untuk mengurus pembuatan dokumen kependudukan seperti kartu tanda penduduk (KTP), akta kelahiran dan lain-lain secara online. Saat ini sistem Taring Dukcapil sudah berjalan sebagaimana mestinya, namun dalam pengimplementasianya sistem ini masih belum berjalan secara maksimal. Masih terdapat beberapa permasalahan dan kebingungan yang dialami oleh pengguna. Penelitian ini bertujuan untuk mengetahui sejauh mana tingkat usability sistem Taring Dukcapil menggunakan metode usability testing berdasarkan standar ISO 9241-11 dan membuat rekomendasi perbaikan antarmuka dengan pendekatan User Centered Design (UCD). Hasil penelitian ini menunjukkan perbandingan hasil nilai yang didapatkan pada uji usability awal sebelum dilakukan perbaikan antarmuka dengan hasil uji usability akhir setelah dilakukan perbaikan. Hasil dari uji usability awal yaitu, aspek efektivitas mendapat nilai 89%, aspek efisiensi mendapat nilai 83%, dan aspek kepuasan mendapat nilai 56,5%. Setelah dilakukan perbaikan antarmuka berdasarkan tahap-tahap pada pendekatan UCD, didapatkan hasil pada uji usability akhir yaitu adanya peningkatan nilai pada ketiga aspek antara lain nilai pada aspek efektivitas meningkat menjadi 98%, nilai pada aspek efisiensi meningkat menjadi 97% dan nilai pada aspek kepuasan meningkat menjadi 84%. Hal tersebut menunjukkan antarmuka sistem setelah dilakukan perbaikan memiliki nilai usability yang lebih baik dan dapat lebih mudah digunakan oleh pengguna dibandingkan dengan sistem sebelum dilakukan perbaikan.

Transformator tenaga merupakan material transmisi utama pada Gardu Induk 150 kV, pada sisi sekunder transformator terdapat kabel ground untuk mendeteksi arus bocor yang terjadi pada kabel power 20kV. PLN menggunakan cara manual dalam melakukan pengukuran arus bocor pada kabel power 20kV secara periodik sehingga arus bocor pada kabel tidak terdeteksi secara dini. Peningkatan arus bocor kabel tanah pada transformator 150/20 kV dapat menimbulkan gangguan pada penyaluran listrik. Penelitian ini merancang alat monitoring arus bocor kabel tanah pada transformator 150/20 kV secara realtime. Arus bocor ini dideteksi dengan menggunakan sensor arus SCT-013 5A dan diolah oleh Arduino mega 2560, kemudian ditampilkan pada HMI (Human Machine Interface). HMI yang digunakan dalam pengukuran arus bocor kabel tanah pada transformator 150/20 kV memanfaatkan aplikasi VTScada. Hasil pengujian menunjukkan bahwa ground kabel power trafo 4 GI Semen Baru 150kV masih dalam kondisi normal dan layak beroperasi karena nilai arus yang terbaca tidak ada yang lebih dari 1 Ampere. Perbandingan hasil pengujian alat dengan tang ampere menunjukkan rata-rata error pembacaan nilai arus dari alat sebesar 2,92%. Arduino Mega 2560 sebagai pusat pengendali alat mampu bekerja sesuai dengan program yang telah dimasukkan dan penggunaan aplikasi VTScada sebagai HMI berhasil dijalankan dengan pengujian berupa telemetering dan telesignaling.