Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)

Pemetaan Tren dan Pola Topik Kekerasan Remaja dalam Pemberitaan Online di Indonesia Berbasis Association Rule Mining dan Time Series Analysis

2025-08-01T02:16:36+00:00

Penelitian ini bertujuan untuk memetakan tren dan pola topik kekerasan remaja dalam pemberitaan online di Indonesia. Dengan menganalisis data artikel berita dari berbagai portal terkemuka selama periode Agustus 2024 hingga Mei 2025, penelitian ini menggunakan pendekatan kuantitatif komputasional. Proses pengumpulan data dilakukan melalui web scraping menggunakan framework Scrapy, menghasilkan total 5272 artikel yang relevan. Data teks kemudian melalui tahapan pra-pemrosesan yang meliputi case folding, penghapusan URL dan tag HTML, tokenisasi, stopword removal, dan stemming untuk menormalisasi teks. Pemodelan Topik Latent Dirichlet Allocation (LDA) berhasil mengidentifikasi 10 topik utama terkait kekerasan remaja, meliputi isu kriminalitas jalanan, kekerasan dalam rumah tangga, kekerasan seksual, serta peran hukum dan pendidikan. Analisis deret

waktu menunjukkan fluktuasi signifikan dalam volume pemberitaan, dengan puncak-puncak tertentu yang mengindikasikan peningkatan perhatian media pada topik spesifik. Selanjutnya, Association Rule Mining (ARM), baik berbasis kata maupun topik, mengungkap pola-pola asosiasi yang kuat. ARM berbasis topik menyoroti hubungan antara tema-tema besar seperti asosiasi antara "Kekerasan Seksual & Pencabulan" dengan "Perlindungan & Tumbuh Kembang Anak/Remaja", sementara ARM berbasis kata memberikan detail granular tentang kata kunci yang sering muncul bersama, seperti "polisi", "tangkap", dan "pelaku". Sintesis temuan mengindikasikan adanya narasi dominan yang berfokus pada insiden kekerasan dan respons institusional. Penelitian ini memberikan wawasan komprehensif mengenai dinamika pemberitaan kekerasan remaja di media online Indonesia, yang dapat menjadi dasar bagi pembuat kebijakan dan praktisi terkait..

Kata kunci: Kekerasan Remaja, Pemberitaan Online, Web Scraping, Pemodelan Topik, Latent Dirichlet Allocation (LDA), Association Rule Mining (ARM), Analisis Deret Waktu (TSA).

Perancangan Sistem Informasi Akuntansi Simpan Pinjam pada KSPPKP “Unit Bulanan Teluk Betung Bandar Lampung”

2025-07-09T15:51:54+00:00

Koperasi Simpan Pinjam dan Pembiayaan Koperasi Pegawai (KSPPKP) “Unit Bulanan Teluk Betung” merupakan lembaga keuangan non-bank yang memberikan layanan simpan pinjam kepada anggotanya. Proses pencatatan transaksi yang masih dilakukan secara manual menimbulkan berbagai permasalahan, seperti keterlambatan pelaporan, kesalahan pencatatan, dan kesulitan dalam pengelolaan data. Penelitian ini bertujuan untuk merancang sistem informasi akuntansi simpan pinjam yang dapat membantu koperasi dalam mencatat, mengelola, dan menyajikan data transaksi secara efektif dan efisien. Metodologi yang digunakan adalah metode waterfall yang mencakup tahapan analisis kebutuhan, perancangan, implementasi, dan pengujian sistem. Hasil dari perancangan ini berupa sistem berbasis web yang mendukung pengelolaan data anggota, transaksi simpanan, pinjaman, angsuran, serta laporan keuangan koperasi. Pengujian sistem dilakukan menggunakan metode black-box dan menunjukkan bahwa seluruh fungsi sistem berjalan dengan baik. Dengan diterapkannya sistem ini, diharapkan pengelolaan keuangan koperasi menjadi lebih terstruktur, akurat, dan transparan

Model Data-Driven untuk Prediksi Digitalisasi UMKM Menggunakan GMM dan XGBoost

2025-07-02T07:19:40+00:00

[1] “?Refleksi 2022 dan Outlook 2023, Kemenkop UKM Ungkap Pencapaian dan Rencana Untuk Pelaku UMKM .” Accessed: May 29, 2025. [Online]. Available: https://ukmindonesia.id/baca-deskripsi-program/refleksi-2022-dan-outlook-2023-kemenkop-ukm-ungkap-pencapaian-dan-rencana-untuk-pelaku-umkm

[2] F. Baderi, “UMKM Pilar Pemulihan dan Pertumbuhan Ekonomi Nasional,” Harian Ekonomi Neraca. Accessed: Dec. 07, 2024. [Online]. Available: https://www.neraca.co.id/article/209137/umkm-pilar-pemulihan-dan-pertumbuhan-ekonomi-nasional

[3] G. Godwin, S. R. P. Junaedi, M. Hardini, and S. Purnama, “Inovasi Bisnis Digital untuk Mendorong Pertumbuhan UMKM melalui Teknologi dan Adaptasi Digital,” ADI Bisnis Digital Interdisiplin Jurnal, vol. 5, no. 2, pp. 41–47, Dec. 2024, doi: 10.34306/abdi.V5I2.1172.

[4] Eliza, F. Hadi, Zefriyenni, and K. Kunci, “Pengembangan E-Commerce di Era Digitalisasi pada UMKM Produk Kale Kota Padang Panjang,” Jurnal Pengabdian kepada Masyarakat Nusantara, vol. 5, no. 2, pp. 2732–2743, Jun. 2024, doi: 10.55338/jpkmn.v5i2.3342.

[5] R. Mardiana, Y. Fahdillah, M. Kadar, I. Hassandi, and R. Mandasari, “Implementasi Transformasi Digital dan Kecerdasan Buatan Sebagai Inovasi Untuk UMKM pada Era Revolusi Industri 4.0,” Jurnal Ilmiah Manajemen dan Kewirausahaan (JUMANAGE), vol. 3, no. 1, Jan. 2024, doi: 10.33998/jumanage.2024.3.1.1552.

[6] S. Baulkani, P. S. Nifasath, and M. M. Priyanga, “Machine Learning Technologies for Agricultural Prediction to Enhance Economic Growth,” Smart Technologies for Sustainable Development Goals, pp. 178–195, 2024, doi: 10.1201/9781003519010-11.

[7] D. Marcelina, A. Kurnia, and T. Terttiaavini, “Analisis Klaster Kinerja Usaha Kecil dan Menengah Menggunakan Algoritma K-Means Clustering,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 293–301, Nov. 2023, doi: 10.57152/malcom.v3i2.952.

[8] A. Heryati, T. Terttiaavini, S. Cahyani, H. Romli, and I. Zaliman, “Optimasi Strategi Pemasaran E-Commerce Melalui Prediksi Konversi Berbasis Machine Learning,” JSAI: Journal Scientific and Applied Informatics, vol. 8, no. 1, pp. 66–73, 2025, doi: 10.36085.

[9] M. Alloghani, D. Al-Jumeily, J. Mustafina, A. Hussain, and A. J. Aljaaf, “A Systematic Review on Supervised and Unsupervised Machine Learning Algorithms for Data Science,” pp. 3–21, 2020, doi: 10.1007/978-3-030-22475-2_1.

[10] T. Terttiaavini, “A Hybrid Approach Using K-Means Clustering and the SAW Method for Evaluating and Determining the Priority of SMEs in Palembang City,” INSYST: Journal of Intelligent System and Computation, vol. 6, no. 1, pp. 46–53, Apr. 2024, doi: 10.52985/insyst.V6I1.392.

[11] H. Ren, B. Khailany, M. Fojtik, and Y. Zhang, “Machine Learning and Algorithms: Let Us Team Up for EDA,” IEEE Des Test, vol. 40, no. 1, pp. 70–76, Feb. 2023, doi: 10.1109/mdat.2022.3143427.

[12] T. Milo and A. Somech, “Automating Exploratory Data Analysis via Machine Learning: An Overview,” in Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data, New York, NY, USA: ACM, Jun. 2020, pp. 2617–2622. doi: 10.1145/3318464.3383126.

[13] V. Çetin and O. Y?ld?z, “A comprehensive review on data preprocessing techniques in data analysis,” Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, vol. 28, no. 2, pp. 299–312, Apr. 2022, doi: 10.5505/pajes.2021.62687.

[14] J. Rashid and K. Waheed, “Missing Values and Outliers in Research Data,” Pakistan Postgraduate Medical Journal, vol. 31, no. 04, pp. 167–167, Jun. 2020, doi: 10.51642/ppmj.v31i04.404.

[15] V. Safak, “Min-Mid-Max Scaling, Limits of Agreement, and Agreement Score,” ArXiv, Jun. 2020, Accessed: May 20, 2025. [Online]. Available: https://arxiv.org/pdf/2006.12904

[16] R. Addanki, A. McGregor, A. Meliou, and Z. Moumoulidou, “Improved Approximation and Scalability for Fair Max-Min Diversification,” Jan. 2022, Accessed: May 20, 2025. [Online]. Available: https://arxiv.org/pdf/2201.06678

[17] K. P. Sinaga and M.-S. Yang, “Unsupervised K-Means Clustering Algorithm,” IEEE Access, vol. 8, pp. 80716–80727, 2020, doi: 10.1109/access.2020.2988796.

[18] L. Trento Oliveira, M. Kuffer, N. Schwarz, and J. C. Pedrassoli, “Capturing deprived areas using unsupervised machine learning and open data: a case study in São Paulo, Brazil,” Eur J Remote Sens, vol. 56, no. 1, Dec. 2023, doi: 10.1080/22797254.2023.2214690.

[19] T. Terttiaavini et al., “Clustering Analysis of Premier Research Fields,” International Journal of Engineering & Technology, vol. 7, no. 4.44, 2018, doi: 10.14419/ijet.v7i4.44.26860.

[20] A. Avram, O. Matei, C.-M. Pintea, P. C. Pop, and C. A. Anton, “Comparative Analysis of Clustering Techniques for a Hybrid Model Implementation,” in 15th International Conference on Soft Computing Models in Industrial and Environmental Applications (SOCO 2020), Á. Herrero, C. Cambra, D. Urda, J. JSedano, H. Quintián, and E. Corchado, Eds., Springer, Cham, 2021, pp. 22–32. doi: 10.1007/978-3-030-57802-2_3.

[21] E. Y. Boateng, J. Otoo, and D. A. Abaye, “Basic Tenets of Classification Algorithms K-Nearest-Neighbor, Support Vector Machine, Random Forest and Neural Network: A Review,” Journal of Data Analysis and Information Processing, vol. 08, no. 04, pp. 341–357, 2020, doi: 10.4236/jdaip.2020.84020.

[22] O. A. Montesinos López, A. Montesinos López, and J. Crossa, Overfitting, Model Tuning, and Evaluation of Prediction Performance. Springer International Publishing, 2022. doi: 10.1007/978-3-030-89010-0.

[23] S. Khodabandehlou and M. Zivari Rahman, “Comparison of supervised machine learning techniques for customer churn prediction based on analysis of customer behavior,” Journal of Systems and Information Technology, vol. 19, no. 1/2, pp. 65–93, Jan. 2017, doi: 10.1108/JSIT-10-2016-0061.

[24] R. Susmaga, “Confusion Matrix Visualization,” Intelligent Information Processing and Web Mining, pp. 107–116, 2004, doi: 10.1007/978-3-540-39985-8_12.

[25] M. Kuhn and K. Johnson, “Feature Engineering and Selection: A Practical Approach for Predictive Models,” Feature Engineering and Selection: A Practical Approach for Predictive Models, pp. 1–297, Jan. 2019, doi: 10.1201/9781315108230

Klastering Perbandingan Metode Machine Learning untuk Klastering Penerima Bantuan Pendidikan Siswa

2025-07-25T14:02:16+00:00

Penelitian ini membandingkan tiga algoritma clustering Fuzzy C-Means, K-Medoids, dan Hierarchical Clustering untuk mengelompokkan siswa sebagai calon penerima bantuan pendidikan berdasarkan data sosial. Data yang digunakan berasal dari MTsN 1 Kota Pekanbaru sebanyak 1.200 entri dan mencakup atribut seperti penghasilan orang tua, jumlah tanggungan, dan prestasi akademik. Principal Component Analysis (PCA) digunakan untuk mereduksi dimensi data sebelum proses klasterisasi. Hasil evaluasi menggunakan Silhouette Coefficient dan Davies-Bouldin Index menunjukkan bahwa Fuzzy C-Means memberikan performa terbaik dengan nilai Silhouette 0.449 dan DBI 0.779. K-Medoids mencatatkan nilai Silhouette 0.436 dan DBI 0.787, sedangkan Hierarchical Clustering memperoleh Silhouette 0.405 dan DBI 0.790. Visualisasi hasil menunjukkan bahwa distribusi kategori siswa “Sangat Layak”, “Layak”, dan “Tidak Layak” paling proporsional dihasilkan oleh Fuzzy C-Means. Temuan ini mengindikasikan bahwa Fuzzy C-Means lebih efektif dalam menangani data sosial yang kompleks dan sesuai untuk digunakan sebagai basis sistem pendukung keputusan dalam seleksi penerima bantuan pendidikan.

Analisis Prediksi Curah Hujan di Kota Tangerang Menggunakan Metode LSTM dan GRU

2025-06-26T08:15:32+00:00

Curah hujan yang tidak menentu dapat memengaruhi berbagai sektor, seperti pertanian, energi, dan infrastruktur. Akurasi prediksi curah hujan sangat penting untuk mitigasi risiko bencana banjir maupun kekeringan. Penelitian ini bertujuan untuk membandingkan akurasi prediksi curah hujan menggunakan dua algoritma deep learning, yaitu LSTM dan GRU serta dapat memberikan kontribusi pada pengelolaan sumber daya air yang lebih efektif. Model ini diterapkan pada data historis curah hujan dan variabel meteorologi terkait, data penelitian adalah data sekunder yang bersumber dari data BMKG Kota Tangerang periode Januari 2014 – Januari 2025 sebanyak 4.062 data. Evaluasi kinerja model dilakukan menggunakan metrik seperti MAE, MSE, RMSE, dan R². Hasil menunjukan Model LSTM dengan konfigurasi hyperparameter optimal—terdiri dari timesteps 36 bulan, 64 unit memori, 100 epoch pelatihan, batch size 16, dropout 0.3, dan learning rate 0.0001—menghasilkan metrik evaluasi terbaik MAE sebesar 0.08473, MSE sebesar 0.00973, RMSE sebesar 0.09863, dan R2 sebesar 0.65601. Nilai R2 yang relatif tinggi ini mengindikasikan bahwa model LSTM mampu menjelaskan sekitar 65.6% dari variabilitas dalam data curah hujan aktual. Sebagai perbandingan, model GRU dengan kinerja terbaiknya (menggunakan batch size 32) menunjukkan metrik evaluasi yang sedikit di bawah LSTM, yaitu MAE 0.08883, MSE 0.01078, RMSE 0.10383, dan R2 Score 0.61878, secara keseluruhan, LSTM terbukti lebih unggul dalam kapabilitas prediksinya.

Analisis Metode Naïve Byes Classifer pada Penentuan Penerima Beasiswa Bidikmisi di Universitas Prima Indonesia

2025-06-19T08:58:03+00:00

Penelitian ini menganalisis penerapan metode Naïve Bayes Classifier dalam menentukan kelayakan penerima Beasiswa Bidikmisi di Universitas Prima Indonesia. Data berasal dari mahasiswa Teknik Sistem Informasi angkatan 2022 dengan atribut penghasilan orang tua, jumlah tanggungan, IPK, dan kondisi tempat tinggal. Dengan perbandingan data training dan testing 70:30, diperoleh akurasi tertinggi 79%. Sebanyak 250 mahasiswa diklasifikasikan layak dan 68 tidak layak menerima beasiswa. Nilai kelayakan tertinggi mencapai 5,04919. Hasil ini menunjukkan bahwa metode Naïve Bayes efektif sebagai alat bantu pengambilan keputusan beasiswa.

Kata Kunci: Naïve Bayes Classifier, Beasiswa Bidikmisi, klasifikasi, sistem pendukung keputusan.

Sistem Penilaian Esai Otomatis Berbasis Web Menggunakan Model BERT dan Levenshtein Distance

2025-06-12T13:08:12+00:00

Sistem penilaian esai secara manual memiliki keterbatasan dalam hal efisiensi waktu dan objektivitas. Untuk mengatasi hal tersebut, penelitian ini mengembangkan sistem penilaian otomatis berbasis web menggunakan model BERT dan Levenshtein Distance. Sistem ini menggabungkan penilaian semantik dengan model BERT (80%) dan penilaian sintaksis menggunakan Levenshtein Distance (20%). Platform ini dibangun menggunakan framework Flask dan menyediakan dua tampilan utama: tampilan siswa untuk menjawab soal dan memperoleh hasil secara langsung, serta tampilan guru untuk mengelola soal, kunci jawaban, data siswa, hasil penilaian, histogram nilai, dan akurasi sistem. Hasil pengujian menunjukkan bahwa sistem mampu memberikan penilaian yang mendekati penilaian manual dengan akurasi yang cukup tinggi. Sistem ini diharapkan dapat membantu guru dalam menilai secara efisien dan konsisten.

Optimalisasi Rencana Produksi untuk Mengurangi Overstock dan Stockout di Divisi PPIC Menggunakan Random Forest

2025-06-23T03:46:53+00:00

PT Multi Tehnik Solution kerap mengalami kesulitan dalam menjaga ketepatan perencanaan produksi, yang berujung pada kelebihan atau kekurangan stok. Penelitian ini bertujuan untuk meningkatkan akurasi perencanaan dengan mengimplementasikan metode peramalan penjualan berbasis algoritma Random Forest. Model dibangun menggunakan data historis penjualan selama satu tahun, dengan mempertimbangkan berbagai faktor yang memengaruhi permintaan produk. Random Forest dipilih karena kemampuannya dalam memetakan hubungan data yang kompleks, nonlinier, dan multivariat, serta menunjukkan performa prediksi yang lebih unggul dibandingkan metode konvensional. Hasil evaluasi menunjukkan bahwa model ini mampu meningkatkan akurasi prediksi sebesar 20% dan menurunkan risiko overstock dan stockout hingga 15%. Temuan ini menegaskan kontribusi signifikan model dalam meningkatkan efisiensi operasional dan ketepatan alokasi produksi. Selain itu, model ini juga berpotensi untuk diintegrasikan ke dalam sistem informasi perusahaan guna mendukung pengambilan keputusan yang cepat dan berbasis data.

Klasifikasi Kualitas Air dengan K-Means dan Decision Tree

2025-07-16T12:04:28+00:00

Kualitas air merupakan aspek krusial yang harus memenuhi standar baku mutu untuk memastikan kelayakan
konsumsi. Parameter seperti pH, Total Dissolved Solids (TDS), dan suhu menjadi indikator utama sebagaimana
ditetapkan dalam Permenkes No. 2 Tahun 2023. Penelitian ini mengusulkan integrasi algoritma K-Means
Clustering dan Decision Tree untuk klasifikasi kualitas air. K-Means digunakan untuk mengidentifikasi pola dalam
dataset berisi 3.270 sampel, sementara Decision Tree memprediksi kelayakan air. Hasil evaluasi menunjukkan
Silhouette Score sebesar 0.8338, menandakan kualitas clustering yang baik. Decision Tree mencapai akurasi
99,45% dengan ROC Curve dan AUC mendekati 1, mengonfirmasi performa klasifikasi yang optimal. Pendekatan
ini menjadi dasar sistem pemantauan kualitas air otomatis guna mendukung pengambilan keputusan berbasis data.

Analisis Faktor yang Mempengaruhi Promosi Karyawan Menggunakan Random Forest pada Dataset Employee Promotion

2025-07-16T12:09:06+00:00

Promosi karyawan merupakan aspek penting dalam manajemen sumber daya manusia yang berperan dalam
meningkatkan motivasi, retensi, dan kinerja organisasi. Namun, keputusan promosi seringkali dinilai subjektif dan
kurang transparan. Penelitian ini menerapkan algoritma Random Forest pada Employee Promotion Dataset untuk
mengidentifikasi faktor-faktor utama yang memengaruhi promosi. Metodologi yang digunakan adalah CRISPDM, mencakup pemahaman data, prapemrosesan, pemodelan, dan evaluasi. Untuk mengatasi ketidakseimbangan
data, digunakan metode SMOTE. Model yang dibangun menunjukkan akurasi sebesar 93%, precision 85,13%,
dan recall 26,55%. Analisis feature importance menunjukkan bahwa skor pelatihan, rating kinerja, lama bekerja,
capaian KPI, dan penghargaan merupakan faktor dominan. Hasil ini mendukung pengembangan sistem
pengambilan keputusan promosi karyawan berbasis data

Pemanfaatan Platform for Open Exploration Artificial Intelligence (POE AI) Terhadap Kemandirian Berpikir dalam Menentukan Judul Skripsi Mahasiswa

2025-07-20T13:45:00+00:00

Penelitian ini bertujuan untuk mengetahui bagaimana pemanfaatan POE AI (Platform for Open Exploration for Artificial Intelligence) berpengaruh terhadap kemandirian berpikir mahasiswa dalam menentukan judul skripsi. Latar belakang penelitian ini dilandasi oleh maraknya penggunaan kecerdasan buatan, khususnya POE AI, yang dapat membantu mahasiswa dalam menemukan ide judul skripsi. Namun, penggunaan yang berlebihan tanpa diimbangi dengan kemampuan berpikir mandiri dapat menimbulkan masalah seperti ketidak sesuaian topik penelitian dan minimnya pemahaman terhadap isu yang diangkat. Penelitian ini menggunakan pendekatan kuantitatif dengan metode deskriptif. Populasi dalam penelitian ini adalah seluruh mahasiswa Program Studi Perpustakaan dan Ilmu Informasi angkatan 2021 Universitas Negeri Padang sebanyak 85 orang, dengan teknik sampling jenuh. Data dikumpulkan melalui kuesioner dan dianalisis berdasarkan empat indikator utama dari teori konstruktivisme Piaget: asimilasi, akomodasi, keseimbangan kognitif, dan tahap operasional formal. Hasil penelitian menunjukkan bahwa POE AI memiliki peran positif dalam memberikan referensi ide awal, namun kemandirian berpikir tetap menjadi faktor kunci dalam menghasilkan judul skripsi yang kreatif, relevan, dan mendalam. Dengan demikian, diperlukan keseimbangan antara penggunaan teknologi dan penguatan kemampuan berpikir kritis mahasiswa.

Kata kunci: POE AI, kemandirian berpikir, mahasiswa, judul skripsi, teknologi pendidikan