Jurnal Komputasi

Komparasi Perceptron dan Regresi Logistik pada Klasifikasi Data Breast Cancer Wisconsin

2026-03-04T02:00:54+00:00

Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap dua model klasifikasi dasar dalam machine learning, yaitu Perceptron klasik dan Regresi Logistik, pada tugas klasifikasi data medis menggunakan dataset Breast Cancer Wisconsin (Diagnostic). Dataset yang digunakan terdiri dari 569 sampel dengan 30 fitur numerik yang merepresentasikan karakteristik morfologi sel kanker hasil biopsi, seperti radius, tekstur, perimeter, area, dan smoothness. Penelitian ini diawali dengan tahap pra-pemrosesan data berupa normalisasi menggunakan metode Min-Max Scaling untuk memastikan setiap fitur berada pada rentang skala yang sama sehingga tidak mendominasi proses pembelajaran model. Selanjutnya, data dibagi menggunakan teknik Hold-Out dengan proporsi 80% sebagai data latih dan 20% sebagai data uji. Proses pelatihan dilakukan pada kedua model dengan parameter standar tanpa optimasi lanjutan untuk menjaga objektivitas perbandingan. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score guna memberikan gambaran menyeluruh terhadap performa klasifikasi, khususnya dalam konteks data medis yang sensitif terhadap kesalahan prediksi. Hasil penelitian menunjukkan bahwa Regresi Logistik memperoleh performa lebih tinggi dengan akurasi sebesar 96,49%, dibandingkan Perceptron klasik yang mencapai 93%. Temuan ini mengindikasikan bahwa pendekatan probabilistik pada Regresi Logistik lebih efektif dalam memodelkan hubungan antar fitur numerik dan menghasilkan batas keputusan yang lebih stabil pada klasifikasi kanker payudara.

Kata Kunci: breast cancer; klasifikasi; logistic regression; machine learning; perceptron;

Perbandingan Algoritma Clustering K-Means dan DBSCAN untuk Segmentasi Outlet Ritel Berdasarkan Pola Transaksi Penjualan

2026-03-25T14:22:23+00:00

Perkembangan sektor ritel yang pesat menghasilkan volume data transaksi yang besar dan berpotensi dimanfaatkan sebagai dasar pengambilan keputusan bisnis yang lebih efektif. Namun, pemanfaatan data tersebut masih belum optimal, khususnya dalam melakukan segmentasi outlet berdasarkan pola transaksi penjualan. Penelitian ini bertujuan untuk melakukan segmentasi outlet ritel di Kabupaten Kampar menggunakan algoritma K-Means dan DBSCAN, serta membandingkan kinerja kedua metode dalam mengelompokkan data transaksi. Data yang digunakan merupakan data transaksi penjualan yang telah melalui tahap pembersihan data, agregasi dari level transaksi ke level outlet, serta normalisasi untuk menyamakan skala antar variabel. Setiap outlet direpresentasikan berdasarkan total transaksi, total quantity, total penjualan, dan rata-rata transaksi, sehingga dapat dianalisis secara komprehensif. Hasil penelitian menunjukkan bahwa algoritma K-Means mampu menghasilkan tiga cluster utama, yaitu outlet kecil, menengah, dan besar, dengan kualitas clustering yang sangat baik yang ditunjukkan oleh nilai Silhouette Score sebesar 0,960. Sementara itu, algoritma DBSCAN hanya menghasilkan satu cluster utama dan sejumlah data yang teridentifikasi sebagai noise atau outlier, sehingga kurang optimal dalam membentuk segmentasi pada dataset yang cenderung homogen. Meskipun demikian, DBSCAN memiliki keunggulan dalam mendeteksi outlet dengan karakteristik ekstrem yang memiliki kontribusi signifikan terhadap penjualan. Berdasarkan hasil perbandingan, K-Means lebih efektif digunakan sebagai metode utama dalam segmentasi outlet, sedangkan DBSCAN berperan sebagai metode pendukung dalam identifikasi outlier. Hasil penelitian ini diharapkan dapat mendukung penyusunan strategi pemasaran, distribusi, dan pengelolaan outlet yang lebih tepat sasaran berbasis analisis data.

Transformasi Digital Sistem Pembimbing Akademik Berbasis Web Menggunakan Metode Rapid Application Development (RAD)

2026-03-25T03:55:13+00:00

Sinkronisasi jadwal bimbingan dan pengelolaan administrasi akademik konvensional masih menjadi hambatan utama dalam interaksi antara dosen pembimbing dan mahasiswa di institusi pendidikan tinggi. Ketidakefisienan sistem manual ini berdampak pada kurang maksimalnya pengawasan terhadap perkembangan studi mahasiswa secara real-time. Penelitian ini bertujuan untuk merancang dan mengimplementasikan transformasi digital pada sistem pembimbing akademik melalui aplikasi berbasis web. Metode yang digunakan adalah Rapid Application Development (RAD), yang dipilih karena kemampuannya dalam mempercepat siklus pengembangan sistem melalui keterlibatan pengguna secara intensif dalam pembuatan prototipe. Sistem ini mencakup fitur manajemen jadwal bimbingan, dokumentasi hasil konsultasi, serta pemantauan progres nilai mahasiswa. Hasil penelitian menunjukkan bahwa penggunaan metode RAD berhasil mempercepat proses pengembangan sistem sesuai dengan kebutuhan pengguna. Implementasi sistem ini mampu meningkatkan efisiensi proses bimbingan, meminimalisir risiko kehilangan data bimbingan, dan mendukung akselerasi transformasi digital di lingkungan institusi pendidikan.

PERBANDINGAN USABILITY APLIKASI SHOPEE DAN TOKOPEDIA BERDASARKAN SENTIMEN ULASAN MENGUNAKAN NAÏVE BAYES

2026-04-14T13:54:53+00:00

Peningkatan penggunaan aplikasi e-commerce menuntut kualitas usability yang tinggi agar dapat meningkatkan kepuasan dan retensi pengguna. Penelitian ini bertujuan menganalisis serta membandingkan sentimen pengguna terhadap empat aspek usability (kecepatan, stabilitas, navigasi, dan tampilan antarmuka) pada aplikasi Shopee dan Tokopedia berdasarkan 5.000 ulasan Google Play Store per aplikasi. Data dikumpulkan melalui web scraping, difilter berdasarkan kata kunci usability, kemudian diproses dengan preprocessing teks, pembobotan TF-IDF, dan klasifikasi menggunakan algoritma Multinomial Naive Bayes. Hasil menunjukkan dominasi sentimen negatif pada kedua aplikasi (Shopee 78,56 %; Tokopedia 91,38 %). Akurasi model mencapai 80,19 % untuk Shopee dan 91,12 % untuk Tokopedia. Meskipun demikian, karena ketidakseimbangan kelas yang ekstrem, model cenderung memprediksi semua ulasan sebagai negatif. Temuan ini memberikan rekomendasi prioritas perbaikan usability berbasis data bagi pengembang aplikasi e-commerce di Indonesia.

Implementasi Algoritma Kriptografi Ringan PRIDE dan PRESENT untuk Pengamanan Perangkat Internet of Things

2026-03-31T04:49:11+00:00

Meningkatnya penggunaan perangkat yang terhubung ke internet dengan konsumsi daya rendah dan biaya yang efisien telah menimbulkan kebutuhan akan mekanisme kriptografi ringan. Salah satu algoritma enkripsi blok ringan yang dirancang untuk memenuhi kebutuhan tersebut adalah PRIDE, yang dikembangkan oleh Martin R. Albrecht. Algoritma ini merupakan salah satu cipher yang efisien untuk lingkungan Internet of Things (IoT) yang memiliki keterbatasan sumber daya. PRIDE sangat sesuai digunakan pada perangkat yang saling terhubung karena membutuhkan sumber daya implementasi yang relatif lebih sedikit serta mampu memberikan kinerja yang tinggi. PRIDE merupakan algoritma enkripsi ringan yang berorientasi pada perangkat lunak dan dioptimalkan untuk implementasi pada mikrokontroler. Penelitian ini berfokus pada implementasi algoritma enkripsi PRIDE pada Field Programmable Gate Array (FPGA) dengan mempertimbangkan metrik kinerja utama, yaitu throughput, konsumsi energi, dan konsumsi daya. Selain itu, penelitian ini juga menyajikan representasi diagramatik yang lebih sederhana dan baru dari implementasi Matrix Layer pada algoritma enkripsi PRIDE. Sebagai pembanding, algoritma enkripsi PRESENT juga diimplementasikan dengan menggunakan metrik evaluasi yang sama. Analisis dilakukan terhadap berbagai metrik desain pada FPGA serta membandingkan hasil implementasi PRIDE dengan algoritma PRESENT yang telah banyak dikenal. Hasil analisis tersebut memberikan wawasan mengenai tingkat efisiensi dan keandalan algoritma PRIDE dalam lingkungan IoT yang memiliki keterbatasan sumber daya. Selain itu, penelitian ini juga mengusulkan beberapa arsitektur implementasi algoritma PRIDE untuk jalur data 16-bit dan 32-bit.

Perbandingan Kinerja Algoritma Ensemble dan Boosting untuk Prediksi Diabetes pada Data Tidak Seimbang Menggunakan SMOTE

2026-04-07T08:21:12+00:00

Sebagai salah satu penyakit kronis yang terus meningkat secara global, diagnosis dini diabetes sangat penting untuk mencegah komplikasi yang lebih serius. Untuk memprediksi risiko diabetes, metode pembelajaran mesin telah banyak digunakan. Namun, masalah utama yang sering muncul adalah ketidakseimbangan distribusi kelas pada dataset medis, yang dapat menghambat model klasifikasi. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap beberapa algoritma machine learning dalam memprediksi risiko diabetes pada dataset yang tidak seimbang serta mengevaluasi dampak penerapan teknik oversampling Synthetic Minority Oversampling Technique (SMOTE). Dataset yang digunakan berasal dari Diabetes Prediction Dataset yang tersedia di Kaggle dengan jumlah sekitar 100.000 data dan distribusi kelas positif sekitar 8,5%. Penelitian ini membandingkan lima algoritma klasifikasi, yaitu Logistic Regression, Random Forest, XGBoost, LightGBM, dan CatBoost. Evaluasi model dilakukan menggunakan metode Stratified 5-fold Cross Validation dengan metrik evaluasi Precision, Recall, F1-score, ROC-AUC, dan PR-AUC. Hasil penelitian menunjukkan bahwa model berbasis boosting memiliki performa yang lebih unggul dibandingkan model lainnya. LightGBM memperoleh nilai PR-AUC tertinggi sebesar sekitar 0,89 dengan ROC-AUC sebesar 0,9785, diikuti oleh CatBoost dan XGBoost dengan performa yang sangat mendekati. Menurut analisis confusion matrix, model terbaik mampu mendeteksi kasus diabetes dengan akurasi sekitar 97%, ketepatan sekitar 93,6%, dan recall sekitar 70%. Hasil penelitian ini menunjukkan bahwa algoritma boosting, khususnya LightGBM, dapat memprediksi diabetes dengan baik pada dataset medis yang tidak seimbang

Perlindungan Data Pribadi Mahasiswa: Peran Kesadaran Privasi dan Etika Sistem Informasi

2026-04-07T08:50:08+00:00

Perkembangan teknologi digital dalam lingkungan pendidikan tinggi meningkatkan intensitas penggunaan sistem informasi akademik, media sosial, serta berbagai platform digital yang melibatkan pengolahan data pribadi mahasiswa. Kondisi ini menimbulkan tantangan baru terkait kesadaran privasi dan etika sistem informasi dalam membentuk perilaku perlindungan data pribadi di kalangan mahasiswa sebagai pengguna aktif teknologi digital. Penelitian ini bertujuan untuk menganalisis peran kesadaran privasi dan etika sistem informasi dalam memengaruhi perilaku perlindungan data pribadi mahasiswa. Penelitian menggunakan pendekatan kuantitatif dengan metode survei terhadap 360 mahasiswa aktif di Kota Palembang. Model penelitian dikembangkan dengan mengadopsi Technology Acceptance Model (TAM) yang diperluas dengan variabel eksternal, yaitu pengetahuan privasi, pengalaman ancaman siber, preferensi terhadap fitur keamanan, serta intensitas penggunaan media sosial. Analisis data dilakukan menggunakan metode Partial Least Squares Structural Equation Modeling (PLS-SEM). Hasil penelitian menunjukkan bahwa kesadaran privasi dan etika sistem informasi berperan signifikan dalam membentuk persepsi kegunaan, sikap, dan niat perilaku mahasiswa terhadap perlindungan data pribadi. Namun demikian, perilaku aktual dalam melindungi data pribadi hanya dapat dijelaskan secara moderat (R² = 0.293), yang mengindikasikan adanya fenomena privacy behavior gap, yaitu kesenjangan antara kesadaran privasi dan praktik perlindungan data dalam aktivitas digital sehari-hari. Penelitian ini memberikan kontribusi empiris dalam pengembangan model perilaku perlindungan data dengan menempatkan kesadaran privasi dan etika sistem informasi sebagai determinan utama dalam kerangka TAM yang diperluas, serta memberikan implikasi bagi penguatan literasi privasi dan etika digital di lingkungan pendidikan tinggi.

Analisis Sentimen Ulasan Digital Menggunakan Naive Bayes dan Pengaruhnya terhadap Keputusan Calon Tamu: Studi Kasus Hotel Santika Premiere Bandara Palembang

2026-04-23T15:53:27+00:00

Perkembangan teknologi informasi meningkatkan peran ulasan digital sebagai referensi utama dalam pengambilan keputusan pemesanan hotel. Penelitian ini bertujuan untuk menganalisis sentimen ulasan digital menggunakan metode Naive Bayes serta menguji pengaruhnya terhadap keputusan calon tamu pada Hotel Santika Premiere Bandara Palembang. Data penelitian terdiri dari 15.463 ulasan yang diperoleh dari Google Review dan Traveloka, serta responden kuesioner yang pernah membaca ulasan sebelum melakukan pemesanan. Tahapan penelitian meliputi preprocessing teks, klasifikasi sentimen, dan analisis regresi linier. Hasil menunjukkan bahwa 73,3% ulasan tergolong positif dengan tingkat akurasi model sebesar 88,2%. Analisis regresi menunjukkan bahwa sentimen ulasan digital berpengaruh positif dan signifikan terhadap keputusan calon tamu (p < 0,05) dengan koefisien determinasi (R²) sebesar 0,458. Temuan ini menegaskan bahwa reputasi digital berbasis e-WOM berperan penting dalam membentuk kepercayaan dan niat pemesanan, serta dapat dimanfaatkan sebagai dasar pengambilan keputusan manajerial berbasis data di industri perhotelan.