Jurnal SCRIPT

Aplikasi Sistem Penilaian Berbasis Web Pada Smk Ma’arif 2 Temon Dengan Menggunakan Framework Bootstrap

2024-08-23T13:40:33+08:00

Di era globalisai ini Pendidikan merupakan faktor kunci dalam pembentukan sumber daya manusia yang berkualitas dan mampu bersaing. Salah satu aspek yang tidak dapat dipisahkan dari proses pendidikan adalah laporan nilai yang diberikan kepada siswa sebagai sarana penilaian kemampuan mereka. Namun pada penerapannya sistem pengumpulan nilai-nilai pada SMK Ma'arif 2 Temon masih bersifat konvensional atau manual yaitu pengumpulan nilai menggunakan kertas sehingga tidak efisien. Penggunaan aplikasi berbasis website memiliki potensi besar untuk membantu proses pengumpulan nilai dan memudahkan interaksi antara guru dan siswa. Oleh karena itu, diperlukan suatu sistem yang dapat mengintegrasikan kebutuhan sekolah dengan teknologi. Salah satu metode yang dapat diterapkan untuk mencapai tujuan tersebut adalah dengan menggunakan framework Bootstrap. Bootstrap adalah paket aplikasi siap pakai untuk membuat front-end sebuah website. Bisa dikatakan, bootstrap adalah template desain web dengan fitur plus. Dengan adanya aplikasi ini, diharapkan proses pengumpulan nilai menjadi lebih efisien, transparan, dan mendukung pengelolaan data nilai secara lebih baik.

Sistem Pendukung Keputusan Pemilihan Program Studi Menggunakan Metode Weighted Product (WP) Dan Metode Simple Additive Weighting (SAW) Berbasis Website (Studi Kasus Universitas Akprind Indonesia

2024-08-23T13:47:43+08:00

Sistem Pendukung Keputusan (SPK) adalah sistem informasi yang digunakan untuk membantu pengambilan keputusan dalam suatu organisasi atau perusahaan. SPK didesain untuk memfasilitasi proses pengambilan keputusan yang kompleks dengan menyediakan informasi yang terstruktur dan relevan. SPK biasanya digunakan dalam berbagai bidang seperti pariwisata, ekonomi, pendidikan dalam memutuskan keputusan yang terbaik, sama halnya di Universitas AKPRIND Indonesia. Universitas AKPRIND Indonesia memiliki berbagai jenis program studi diantaranya Fakultas Teknik: Teknik Kimia, Teknik Industri, Teknik Mesin, Teknik Elektro, Teknik Geologi, dan Teknik Lingkungan. Fakultas Sains & Teknologi Informasi: Informatika, Statistika, dan Rekayasa Sistem Komputer. Fakultas Komunikasi & Bisnis: Bisnis Digital dan Manajemen Ritel. Serta memiliki Program Pendidikan Vokasi (D-3): Teknologi Industri dan Teknologi Mesin, juga mempunyai Sekolah Pascasarjana yaitu Rekayasa Mesin. Dalam menentukan Program studi di Universitas AKPRIND Indonesia telah berjalan dengan baik setiap tahunnya, namun belum ada sistem perangkat lunak (software) yang mendukung baik untuk mengolah pemilihan program studi yang ada. Oleh karena itu perlu dibangun sebuah sistem yang dapat membantu mahasiswa dalam memilih program studi. Tujuannya agar nantinya dapat meminimalisir kesalahan dan memberikan saran yang terbaik dalam pemilihan Program Studi yang dapat diambil sesuai dengan nilai rapor yang telah dimilikinya. Beberapa metode yang dapat digunakan Metode WP dan Metode SAW. Metode WP mempunyai kelebihan melakukan pembobotan kriteria untuk perbaikan bobot kriteria, sedangkan SAW dapat menghasilkan perangkingan yang lebih mudah dipahami dan sederhana.

Prototipe Integrasi Chatbot Dalam Sistem Informasi Akademik Berbasis Web Menggunakan Metode Natural Language Processing (Studi Kasus Di IST AKPRIND Yogyakarta)

2024-08-23T14:00:55+08:00

Chatbot adalah program komputer kecerdasan buatan atau bentuk sistem dialog alami yang dapat berkomunikasi dengan pengguna dalam bahasa manusia dan memberikan jawaban otomatis. Penelitian ini mengembangkan prototipe Chatbot dengan menerapkan Natural Language Processing (NLP) untuk meningkatkan kualitas layanan informasi akademik di Institut Sains & Teknologi AKPRIND Yogyakarta (IST AKPRIND). Meskipun IST AKPRIND telah memiliki sistem informasi akademik, integrasi Chatbot dianggap penting untuk memberikan respon otomatis yang efisien terhadap pertanyaan mahasiswa, mempercepat akses informasi, dan meningkatkan pengalaman pengguna melalui fitur Frequently Asked Questions (FAQ). Proses pengembangan Chatbot melibatkan penggunaan NLP dan beberapa library dari bahasa Python seperti Flask, Natural Language Toolkit (NLTK), Torch, dan lainnya. Chatbot berhasil dikembangkan dengan antarmuka berbasis Command Line Interface (CLI) dan web, yang akan diintegrasikan dengan halaman web IST AKPRIND. Hasil pengujian fungsionalitas menunjukkan bahwa dari 30 pertanyaan acak yang diajukan, terdapat 28 jawaban yang benar dan 2 jawaban yang tidak sesuai, menghasilkan tingkat akurasi sebesar 93,3%. Selain itu, hasil kuesioner yang diisi oleh 30 responden menunjukkan bahwa 96,7% menyatakan kepuasan terhadap kesesuaian Chatbot dengan kebutuhan. Sebanyak 90% responden setuju bahwa prototipe Chatbot memberikan informasi dengan cepat, kemudian 83,33% responden menyatakan bahwa Chatbot dapat meningkatkan pengalaman pengguna menggunakan fitur FAQ. Evaluasi dan pembaruan secara terus-menerus diperlukan untuk memastikan kinerja optimal dari pengembangan prototipe Chatbot yang ingin dilakukan integrasi ke dalam sistem informasi IST AKPRIND untuk memenuhi kebutuhan pengguna.

Analisis Sentimen Pada Media Sosisal Instagram Terhadap Perang Israel Vs Hamas Menggunakan Metode Naïve Bayes Dan SVM

2024-08-23T14:08:16+08:00

Instagram berperan sebagai platform penting untuk berbagi informasi dan ekspresi opini publik terkait peristiwa dunia, termasuk konflik politik dan sosial seperti perang Israel vs Hamas. Instagram menjadi saluran penting bagi ekspresi opini dan sentimen publik terhadap peristiwa-peristiwa dunia. Sehingga, perlunya analisis terhadap media sosial Instagram tersebut untuk mengetahui tanggapan pengguna berupa positif, negatif atau netral terhadap Perang Israel vs Hamas.Dalam penelitian ini, analisis sentimen terhadap 8427 komentar pengguna Instagram pada akun CNN Indonesia menunjukkan bahwa 52.3% ekspresi negatif, 22.7% positif, dan 25.0% netral. Data penelitian ini diambil dari akun tersebut, dan metode pelabelan melibatkan Lexicon Based dan sentimen analisis pengguna Instagram menggunakan Naive Bayes Classifier, dan Support Vector Machine. Hasilnya menunjukkan mayoritas komentar cenderung negatif, dengan akurasi sekitar 66%, precision 68%, recall 66% dan f1-score 62% untuk Naive Bayes dan akurasi 81%, precision 81%, recall 81%, dan f1-score 81% untuk Support Vector Machine.

Analisis Perbandingan Algoritma Local Binary Patterns Histogram (LBPH) Dan Algoritma Convolutional Neural Network (CNN) Pada Sistem Pengenalan Wajah

2024-08-23T14:14:25+08:00

Dalam sistem pengamanan dan verifikasi digital, kata sandi sering digunakan tetapi memiliki kerentanan terhadap manipulasi dan pencurian. Untuk mengatasi masalah ini, metode alternatif seperti pengenalan wajah mulai banyak digunakan karena fitur wajah sulit dipalsukan, stabil sepanjang hidup, dan unik bagi setiap individu. Pengenalan wajah dapat dilakukan dengan berbagai metode, termasuk algoritma Local Binary Patterns Histogram (LBPH) dan Convolutional Neural Network (CNN). LBPH adalah algoritma tradisional yang berbasis pada fitur wajah dengan keunggulan dalam penggunaan sumber daya komputasi yang ringan. Namun, algoritma ini kurang efektif dalam kondisi pencahayaan yang buruk dan memiliki waktu pemrosesan yang lebih lama. Sebaliknya, CNN adalah metode modern berbasis deep learning yang menawarkan akurasi dan kecepatan pemrosesan yang lebih tinggi, tetapi membutuhkan sumber daya komputasi yang lebih besar. Penelitian ini membandingkan performa kedua algoritma dalam hal akurasi dan kecepatan. Hasil penelitian menunjukkan bahwa masing-masing algoritma memiliki kelebihan dan keterbatasan. Algoritma CNN menunjukkan performa yang lebih unggul dibandingkan LBPH dalam efisiensi waktu komputasi untuk pengenalan wajah. Dari hasil pengujian, terlihat bahwa CNN memiliki tingkat akurasi pengenalan wajah yang mirip dengan LBPH, yaitu 98.6607%, dibandingkan dengan LBPH yang memiliki selisih 0.4464% lebih tinggi, yaitu mencapai 99.1071%. Selain itu, waktu komputasi untuk algoritma CNN lebih cepat, yaitu 0,0030 detik per citra, dibandingkan dengan LBPH yang memerlukan waktu 0,0227 detik per citra. Hal ini menunjukkan keunggulan CNN dalam menangkap fitur-fitur kompleks dari citra wajah dan efisiensi dalam pemrosesan data. Namun, perlu diperhatikan bahwa algoritma CNN membutuhkan sumber daya komputasi yang lebih besar jika dibandingkan dengan algoritma LBPH. Sehingga, pemilihan algoritma yang sesuai harus disesuaikan dengan kebutuhan spesifik dari aplikasi yang akan diterapkan. Mengingat kedua metode memiliki kelebihan dan keterbatasan masing-masing, keputusan akhir dalam pemilihan algoritma harus mempertimbangkan faktor-faktor seperti ketersediaan sumber daya komputasi, kondisi pencahayaan, dan kebutuhan spesifik dari aplikasi pengenalan wajah tersebut. Dengan demikian, penelitian ini memberikan panduan praktis bagi pengembang dan pengguna dalam memilih dan mengimplementasikan algoritma pengenalan wajah yang sesuai dengan kebutuhan dan sumber daya yang dimiliki.