Journal of Internet and Software Engineering

Pemodelan Prediksi Kadar Gula Darah Pada Pasien Diabetes Menggunakan Metode Regresi Linear

Hanan Hanafi — 2024-05-31

Mengetahui kadar gula darah di masa depan akan dapat membantu penderita diabetes dalam melakukan tindakan preventif lebih awal sehingga dapat mengontrol kadar gula darah dan penyakit diabetesnya. Penelitian ini mengusulkan pemodelan prediksi kadar gula darah pada pasien diabetes menggunakan metode regresi linear. Dataset yang digunakan adalah data time series dari kadar gula darah pada 30 anak penderita diabetes tipe 1. Dataset tersebut digunakan sebagai parameter input tunggal dengan tambahan pemanfaatan data statistik yang diuji menggunakan beberapa algoritma, yaitu Linear Regression, Lasso Regression, Ridge Regression, eXtreme Gradient Boosting (XGB), dan K-Nearest Neighbor (KNN). Pada tahap evaluasi performa model menunjukkan bahwa metode regresi linear lebih baik dari model prediksi lainnya. Hasilnya menunjukkan untuk Prediction Horizon (PH) pada 5 menit, 15 menit, dan 30 menit didapat nilai rata-rata Root Mean Squared Error (RMSE) dari 15 pasien yang diuji sebesar 5,024, 12,488, dan 20,635, nilai Mean Absolute Error (MAE) sebesar 2,891, 8,272, dan 14,926 serta nilai Coefficient of Determination (R2) sebesar 0,962, 0,741, dan 0,39. Hasil model prediksi pada penelitian ini diimplementasi dan divisualisasikan ke sistem informasi berbasis website. Dalam sistem tersebut pengguna dapat memprediksi kadar gula darah di masa depan dengan berdasarkan riwayat kadar gula darah pada waktu 30 menit sebelumnya. Pengguna juga dapat melihat visualisasi data pergerakan kadar gula darah berdasarkan rentang waktu tertentu. Sistem ini diharapkan dapat membantu pasien diabetes untuk memprediksi kadar gula darah di masa depan sehingga dapat mengontrol kadar gula darahnya dan menghindari kondisi kesehatan yang buruk di masa depan.

Purwarupa Sistem Klasifikasi Legalitas Investasi Berbasis Algoritma Bidirectional Long Short Term Memory

Muhammad Navi Nugraha — 2024-05-31

Investasi ilegal telah menjadi permasalahan serius di Indonesia, yang mengakibatkan kerugian finansial yang signifikan bagi investor dan perekonomian. Pengecekan legalitas perusahaan investasi secara manual belum efektif dan memakan waktu. Oleh karena itu, penelitian ini memanfaatkan teknologi machine learning dengan metode text classification untuk melakukan prediksi otomatis terhadap pesan investasi. Metode text classification digunakan dalam penelitian ini untuk mengategorikan pesan investasi berbahasa Indonesia dari media sosial, terutama Telegram, menjadi legal atau ilegal. Tujuan penelitian ini adalah merancang purwarupa sistem deteksi legalitas investasi. Dataset yang digunakan diperoleh dari media sosial Telegram, terdiri dari dua varian dengan jumlah 2996 data dan 210 data yang mencakup pesan investasi legal dan ilegal. Proses penelitian meliputi pengumpulan data, preprocessing, pelatihan model klasifikasi, evaluasi, dan pembuatan aplikasi web untuk deteksi pesan investasi. Dalam penelitian ini, dua algoritma, yaitu BiLSTM dan LSTM, diimplementasikan dan dibandingkan. Pengujian dilakukan dengan mempertimbangkan jumlah data dalam dataset, rasio pembagian dataset, penggunaan algoritma BiLSTM dan LSTM, confusion matrix, serta aplikasi web. Hasil pengujian menunjukkan bahwa model klasifikasi teks dengan algoritma BiLSTM dan jumlah data 2996 dengan rasio pembagian 70:30 memberikan performa tertinggi dibandingkan varian lain. Model dengan algoritma BiLSTM tersebut mampu mencapai akurasi sebesar 96%, presisi 98%, dan recall 93%. Aplikasi web berhasil mendeteksi pesan investasi menggunakan model dengan performa tertinggi dan berjalan sesuai dengan rancangan yang telah ditetapkan.

Analisis Tingkat Akurasi Metode Pendeteksian Plagiarisme Ide dengan menggunakan Yake dan Sentence Transformer

Salsabila Laily Rahma — 2024-05-31

Penggunaan Artificial Intelligence dengan teknik unsupervised learning dapat berguna dalam pendeteksian plagiarisme ide karena dapat mengidentifikasi kemiripan dan perbedaan antara dokumen teks tanpa memerlukan data berlabel atau pelatihan khusus. Plagiarisme ide melibatkan penyisipan ringkasan dari satu dokumen teks ke dalam dokumen teks lainnya, sehingga membuatnya sulit terdeteksi menggunakan metode pendeteksian plagiarisme standar. Metode yang dikembangkan dalam penelitian ini bertujuan untuk mengatasi permasalahan masalah dalam deteksi plagiarisme ide. Penelitian ini mengembangkan metode untuk deteksi plagiarisme ide dan menguji tingkat akurasi level dokumen dari metode yang dikembangkan. Metode yang dikembangkan ini menggunakan pendekatan baru dengan memanfaatkan library Python yang mengimplementasikan AI pada teknik unsupervised learning yaitu metode Yake sebagai algoritma pengekstrak kata kunci dan Sentence Transformer sebagai algoritma untuk menghitung kemiripan teks pada dataset PAN. Plagiarism Analysis, Authorship Identification, and Near-Duplicate Detection (PAN) adalah kumpulan data yang bersifat public dan secara khusus dikembangkan untuk penelitian dalam bidang pendeteksian plagiarisme. Dataset PAN yang digunakan dalam penelitian ini adalah dataset PAN13-14 summary obfuscation dengan sebuah ground truth yang menjadi acuan dalam pengukuran akurasi dari metode yang dikembangkan. Hasil penelitian menunjukkan bahwa metode Sentence Transformer dengan Yake pada threshold 0.1 memiliki akurasi tertinggi untuk kategori Plagiarized dengan nilai F-score pada dataset testing dan dataset training secara berturut-turut adalah 0.3175 dan 0.3217, sementara metode Sentence Transformer dengan threshold 0.6 memiliki akurasi tertinggi untuk kategori Non Plagiarized dengan nilai F-score pada dataset testing dan dataset training secara berturut-turut adalah 0.8905 dan 0.8907.

Analisis Komparasi pada Teknik Black Box Testing (Studi Kasus: Website Lars)

Salmania Jesamine Putri — 2024-05-31

Saat ini penggunaan perangkat lunak sudah mendominasi hampir seluruh bidang ilmu pengetahuan. Merupakan hal yang penting bagi pengembang untuk memastikan kualitas suatu perangkat lunak sehingga layak digunakan oleh khalayak umum. Kualitas perangkat lunak salah satunya dapat ditentukan dari output yang dihasilkan apakah sudah sesuai dengan kebutuhan pengguna. Pengujian perangkat lunak merupakan salah satu aktivitas yang penting dalam fase Software Development Life Cycle (SDLC) untuk memastikan perangkat lunak yang berkualitas. Terdapat berbagai metode yang mungkin digunakan dalam pengujian perangkat lunak, satu diantaranya adalah black box testing yang menguji fungsionalitas suatu sistem dan tidak mengharuskan penguji untuk memahami kode program. Dalam rangka mencapai hasil pengujian yang optimal, perlu menentukan perancangan kasus uji yang paling tepat digunakan pada suatu perangkat lunak. Equivalence Class Partitioning (ECP), Boundary Value Analysis (BVA), dan Decision Table (DT) merupakan teknik pengujian pada black box yang umum digunakan. Penelitian ini bertujuan untuk membandingkan tiga teknik tersebut, sehingga dapat menentukan teknik mana yang paling efektif diterapkan pada suatu perangkat lunak. Sampel yang digunakan untuk pengujian adalah website Lars yang merupakan aplikasi untuk membantu proses akreditasi rumah sakit. Hasil dari pengujian masing-masing teknik diukur menggunakan standard testing metrics untuk melihat teknik mana yang paling optimal. Hasil yang didapatkan penelitian ini adalah teknik ECP lebih unggul dalam menangkap kegagalan, diukur dari perhitungan matriks test case failed dengan persentase 51.8% dibandingkan teknik BVA dengan hasil 33.3% dan DT 46%.

Komparasi Metode Automasi dan Hybrid pada Pengujian Aplikasi Mobile WebRTC Menggunakan Appium

Gabriela Anggerita Jasmin — 2024-05-31

Teknologi informasi telah mengubah komunikasi dan interaksi dalam masyarakat. Ini memungkinkan orang untuk terhubung secara virtual, tanpa memandang jarak. Konsultasi virtual menjadi umum, difasilitasi oleh aplikasi dengan fitur panggilan video menggunakan teknologi WebRTC. WebRTC memungkinkan komunikasi audio, visual, dan data secara real-time. Pengujian sangat penting untuk meminimalkan bug, tetapi alur kerja yang kompleks dari WebRTC membuatnya menantang. Pengujian perangkat lunak dapat dilakukan secara manual atau otomatis. Pengujian manual melibatkan penggunaan dua perangkat untuk menguji WebRTC secara langsung. Appium, sebuah alat sumber terbuka, digunakan untuk pengujian otomatis. Appium mendukung berbagai platform dan bahasa pemrograman, tanpa perlu akses ke kode sumber untuk fungsi perangkat seperti kamera dan mikrofon. Appium tidak terikat pada kerangka pengujian tertentu. Proses pengujian meliputi seluruh sistem aplikasi, memastikan fungsi optimal dan menangani semua masalah. Pemilihan metode pengujian tergantung pada kebutuhan. Hasil pengujian lebih mendukung metode otomatis dalam hal efisiensi waktu, membutuhkan waktu yang lebih sedikit. Namun, metode hibrida melampaui metode tersebut dalam cakupan pengujian dan efektivitas, mencakup lebih banyak kasus pengujian.

Pengembangan Sistem Informasi Tugas Akhir Berbasis Web Progam Studi TRPL SV UGM

Siti Qotijah — 2024-05-31

Tugas Akhir (TA) atau Proyek Akhir (PA) merupakan salah satu syarat untuk kelulusan dan mendapatkan gelar Sarjana Terapan (S.Tr.) pada prodi D4 Teknologi Rekayasa Perangkat Lunak (TRPL) SV UGM. Salah satu tanggung jawab akademik yaitu memproses data proyek akhir dan kelulusan mahasiswa. Mulai dari pendaftaran tugas akhir sampai pengumpulan laporan proyek akhir. Proses tersebut sudah ada pada sistem Simaster sekarang ini, akan tetapi ada beberapa fitur yang belum ada seperti fitur pengajuan tugas akhir dari proyek dosen. Proses pengajuan tersebut harus dilakukan di luar sistem dengan menggunakan google form sehingga pihak akademik butuh waktu untuk membuat form di setiap periode pendaftaran tugas akhir. Mahasiswa yang sudah dinyatakan lulus sidang harus membuat lembar tanda tangan persetujuan penguji sendiri serta pengumpulan laporan proyek akhir belum ada di sistem tersebut. Berdasarkan permasalahan-permasalahan tersebut, maka pengembangan sistem perlu untuk dilakukan untuk membantu dan mempermudah mengelola pendaftaran proyek akhir hingga pengumpulan laporannya. Pengembangan bisa membantu pihak Akademik, Dosen, dan Mahasiswa untuk proses proyek akhir sampai pengumpulan laporan. Pengembangan Sistem Informasi Tugas Akhir ini dibangun dengan menggunakan bahasa pemrograman PHP, framework Codeigniter, dan database MySQL. Pengujian sistem dilakukan secara manual dengan mencoba langsung dan juga melalui automation testing dengan alat bernama selenium. Hasil pengujian secara manual sudah sesuai dengan input output pengguna dan bisa digunakan dalam mengelola pendaftaran proyek akhir hingga pengumpulan laporan akhir yang sudah disahkan. Pengujian dengan selenium pada halaman akademik/kaprodi, dosen dan mahasiswa menunjukkan berhasil dan tidak ada bug sistem.

Analisis Sentimen Berbasis Aspek Pada Ulasan Pengguna Aplikasi Starbucks Menggunakan Algoritma Support Vector Machine

Muhammad Adin Palimbani — 2024-05-31

Perkembangan transformasi digital di semua aspek bisnis saat ini telah mengubah cara perusahaan memberikan nilai tambah bagi bisnis mereka. Salah satu contohnya yaitu perusahaan bisnis kedai kopi Starbucks yang memanfaatkan tren teknologi aplikasi mobile dengan mengembangkan "Loyalty Rewards App". Namun, banyak ditemukan ulasan negatif di Google Play Store yang harus diperhatikan pihak pengembang. Belum ada penelitian pada ulasan tersebut sehingga sentimen dan informasi terkait aspek penting seperti aspek-aspek usability aplikasi masih belum diketahui. Penelitian ini bertujuan untuk mengetahui sentimen ulasan pengguna aplikasi Starbucks serta aspek-aspek usability aplikasi yaitu learnability, efficiency, errors dan satisfaction, menggunakan metode SVM, dengan menguji tiga jenis kernel yaitu Linear, Polinomial dan RBF. Tahap preprocessing data diikuti dengan ekstraksi fitur menggunakan TF-IDF. Untuk mendapatkan hasil klasifikasi yang lebih baik, juga dilakukan Hyperparameter tuning pada model SVM menggunakan GridSearchCV. Dataset diperoleh dari hasil scraping ulasan pengguna aplikasi Starbucks di Google Play Store. Hasil penelitian menunjukkan bahwa pembuatan model klasifikasi menggunakan SVM memiliki performa yang cukup baik yaitu dengan rata-rata skor dari skor accuracy sebesar 88.96%, f1-score 66.85%, precision 75.77% dan recall 64.68%. Sementara itu, hasil analisis menunjukkan bahwa mayoritas sentimen bernilai negatif di seluruh aspek aplikasi terutama pada aspek errors, yang menandakan tingginya tingkat kesalahan pada sistem.