DoubleClick: Journal of Computer and Information Technology

Analisis Kesiapan Sistem Monitoring Lebah Madu Klanceng Berbasis QR Code sebagai Implementasi Smart Farming dengan Pendekatan Model Aydin dan Tasci

Fri, 28 Feb 2025 00:00:00 +0700

Peternak lebah Klanceng memiliki kendala dalam melakukan perawatan dan monitoring lebahnya. Hal ini disebabkan karena peternak kesulitan dalam memantau dan tidak memiliki catatan khusus terkait dengan kondisi lebah di masing-masing rumah lebah. Tidak adanya data terkait dengan kondisi dan riwayat lebah pada masing-masing lebih menyebabkan peternak sering mengalami kesalahan dalam merawat lebah Klanceng. Tujuan penelitian ini adalah untuk mengetahui kesiapan sistem monitoring lebah maju klanceng berbasis QR Code sebagai bentuk implementasi smart farming yang ada di desa Kradinan Madiun Jawa Timur. Penelitian ini merupakan penelitian terapan yang bertujuan untuk memberikan Solusi terhadap permasalahan di Lokasi penelitian. Metode penelitian ini menggunakan kuesioner dalam pengumpulan datanya, Dimana kuesioner dibuat untuk mengukur tingkat kesiapan sistem monitoring dengan pendekatan model Aydin & Tasci. Hasil penelitian ini dapat disimpulkan bahwa dari empat aspek yang digunakan untuk mengukur kesiapan sistem monitoring lebah maju klanceng berbasis QR Code sebagai bentuk implementasi smart farming pada kelompok tani hutan di desa Kradinan Madiun. Disimpulkan bahwa aspek technologi memiliki tingkat kesiapan yang paling tinggi, meskipun masih dibutuhkan adanya sedikit perbaikan. Kemudian aspek yang dinilai paling rendah kesiapannya adalah terkait dengan innovation dan dinilai tidak siap serta membutuhkan adanya sedikit perbaikan.

Perbandingan Klasifikasi Data Diabetes Antara Metode Gaussian Naïve Bayes Dengan K-Nearest Neighbor

Fri, 28 Feb 2025 00:00:00 +0700

Diabetes merupakan masalah kesehatan global serius dengan 422 juta penderita, sebagian besar di negara berpendapatan rendah dan menengah. Setiap tahun, sekitar 1,5 juta jiwa meninggal akibat diabetes. Teknik data mining, seperti algoritma Gausian Naïve Bayes dan K-Nearest Neighbor (K-NN), telah banyak digunakan untuk memprediksi risiko diabetes. Penelitian ini melalui tahapan eksplorasi data, pre-processing, dan modeling data. Dataset berasal dari NN CLF Diabetes Knightbearr. Setelah eksplorasi dan pre-processing untuk memastikan kualitas data, modeling dilakukan dengan algoritma Naïve Bayes dan K-NN. Naïve Bayes menunjukkan akurasi tinggi sebesar 97.12%, sedangkan K-NN, dengan K = 3, dan menunjukkan akurasi precision = 86%, recall= 90%, f1-score= 87%, dan keseluruhan sebesar 88.94%. Akurasi tinggi dari kedua algoritma ini menunjukkan potensi besar dalam membantu prediksi dan deteksi dini risiko diabetes, berkontribusi pada pengelolaan dan pencegahan penyakit ini di masa depan. Penelitian ini menegaskan pentingnya penerapan teknik data mining dalam bidang kesehatan untuk meningkatkan kualitas hidup penderita diabetes dan mengurangi angka kematian.

Penerapan Data Mining Menggunakan Algoritma K-Means untuk Mengetahui Tujuan Pengiriman Terfavorit Pelanggan Agen Ekspedisi

Fri, 28 Feb 2025 00:00:00 +0700

Penelitian ini bertujuan untuk menerapkan teknik Data Mining dengan menggunakan algoritma K-Means guna mengidentifikasi dan memahami pola pengiriman barang di agen ekspedisi PT.XZY. Penerapan algoritma K- Means dengan membagi data ke dalam satu atau lebih kelompok dengan data kelompok yang terbentuk tersebut didapat dari kesamaan data dalam satu kelompok dan data yang memiliki perbedaan kelompok yang lain. Data yang diambil dalam penelitian ini mencakup riwayat pembelian, preferensi tujuan pengiriman, frekuensi kunjungan, dan data terkait lainnya yang relevan dengan aktivitas pelanggan di agen ekspedisi PT.XZY. Metode K-Means sebagai alternatif metode penyelesaian dalam penelitian ini, digunakan untuk mengelompokkan pelanggan berdasarkan pola pembelian dan preferensi mereka. Pengelompokan ini akan membantu mengidentifikasi kelompok-kelompok pelanggan dengan minat serupa. Tahap penelitian ini meliputi analisis dan seleksi data, processing dan transformasi data, dan pengolahan data dengan menggunakan algoritma K-Means. Sistem yang dikembangkan berdasarkan hasil pengiriman penjualan barang di agen ekspedisi XYZ untuk mengelompokkan tujuan pengiriman terfavorit jumlah tujuan pengiriman sebanyak 10 tujuan pengirim dan jumlah total 810 pengiriman yang dilakukan agen ekspedisi di tahun 2020. Hasil penelitian tersebut mendapatkan sebuah persamaan dari dua pebedaan (iterasi) yang menghasilkan pelanggan dari yang kurang hingga sangat favorit. Sehingga dari hasil penelitian ini dapat membantu manajemen agen exspedisi PT.XZY dalam mengambil keputusan strategis, seperti meningkatkan layanan dan penawaran produk yang lebih sesuai dengan minat pelanggan. Selanjutnya, hasil dari analisis tersebut akan dievaluasi dan diinterpretasikan untuk memberikan wawasan tentang preferensi dan minat pelanggan di agen exspedisi PT.XZY dengan harapan dapat memberikan manfaat bagi agen exspedisi PT.XZY dalam meningkatkan daya saing dan efisiensi pemasaran.

Pembuatan Game Matematika Perkalian dengan Metode Game Development Life Cycle

Abiel Bagas Satrio Jati, Caraka Aji Pranata — Fri, 28 Feb 2025 00:00:00 +0700

Media pembelajaran pada era modern ini terdapat berbagai macam, salah satunya berbentuk game atau permainan kuis dan dapet diakses secara online melalui website. Matematika merupakan salah satu pembelajaran yang penting dalam kurikulum pendidikan sekolah dasar. Oleh, karena itu dibutuhkan sarana pembelajaran yang menarik namun sederhana agar meningkatkan minat siswa sekolah dasar untuk belajar matematika. Dalam perancangan dan pengembangan game diperlukan sebuah metode yang biasa disebut Game Development Life Cycle (GDLC). Game edukasi matematika perkalian ini akan menggunakan Unity dan Adobe Illustrator sebagai sarana perancangan dan pengembangan game. Game edukasi ini akan berbentuk kuis yang memiliki teks dan user experience (UI) yang sederhana namun menarik. Hasil dari penelitian ini adalah sebuah game edukasi matematika perkalian yang dibuat melalui metode Game Development Life Cycle dan menggunakan software Unity.

Perbandingan GA-K Means dan K Means untuk Klusterisasi Penerimaan Bantuan Stunting di Kabupaten Sumenep

Amelia Nur Septiyasari, Arifatul Maghfiroh, Achmad Jauhari, Ika Oktavia Suzanti — Fri, 28 Feb 2025 00:00:00 +0700

Stunting merupakan masalah kesehatan serius yang menghambat pertumbuhan dan perkembangan anak balita akibat kekurangan gizi kronis, terutama pada 1.000 hari pertama kehidupan. Meskipun prevalensi stunting di Indonesia mengalami penurunan, masih di bawah standar WHO yang menargetkan prevalensi stunting kurang dari 20%. Oleh karena itu, diperlukan program bantuan yang tepat sasaran untuk mengatasi masalah ini. Penelitian ini menggabungkan metode K-Means Clustering dan Genetic Algorithm untuk melakukan klusterisasi penerima bantuan stunting di Kabupaten Sumenep. Hasil penelitian diperoleh nilai silhoute score sebesar 0.3106 dan nilai Davies-Bouldin Index sebesar 1.4451 pada proses pengujian clustering K-Means biasa. Sementara dengan adanya seleksi fitur menggunakan Algoritma Genetika, terjadi peningkatan yang signifikan dalam kedua metrik evaluasi yakni dengan nilai Silhouette Score: 0.6401 dan nilai Davies-Bouldin Index sebesar 0.6090. Hal ini menandakan bahwa penggunaan fitur yang lebih relevan atau signifikan dapat membantu algoritma clustering menghasilkan kluster yang lebih baik.

Perbandingan Akurasi Metode Naive Bayes dan Metode Random Forest dalam Mendiagnostik Penyakit Kanker Payudara

Nisaur Rohmah, Eka Ayu Safitri, Cici Alinta, Yuyun Oktalina, Wahyudi Setiawan — Fri, 28 Feb 2025 00:00:00 +0700

Kanker payudara merupakan penyakit yang mempunyai dampak signifikan terhadap kesehatan wanita di seluruh dunia. Dalam penelitian ini, kami menggunakan data dari kumpulan data Wisconsin Diagnostic untuk membandingkan kinerja dua metode klasifikasi dalam diagnosis kanker payudara: Naive Bayes dan Random Forest. Metode Naive Bayes menggunakan pendekatan probabilitas sederhana untuk mengklasifikasikan data, sedangkan Random Forest membuat beberapa pohon keputusan dan menggabungkannya untuk meningkatkan akurasi prediksi. Sebelum membandingkan performa kedua algoritma, dilakukan proses preprocessing data yang meliputi identifikasi fitur, deteksi outlier, dan normalisasi. Kedua algoritma tersebut dilatih dan diuji menggunakan data dari dataset Wisconsin Diagnostic yang terdiri dari 569 sampel dengan 32 atribut dan 2 kelas. Hasil pengujian menunjukkan bahwa Naive Bayes menghasilkan akurasi sebesar 0.932, precision sebesar 0.933, recall sebesar 0.931, dan F1-score sebesar 0.932. Sedangkan Random Forest menghasilkan akurasi sebesar 0.9442, precision sebesar 0.945, recall sebesar 0.944, dan F1-score sebesar 0.944. Dalam konteks ini, Random Forest sedikit lebih akurat dibandingkan Naive Bayes, namun keduanya baik untuk mendiagnosis kanker payudara jinak dan ganas. Penelitian ini memberikan wawasan tentang efektivitas Naive Bayes dan Random Forest dalam membantu diagnosis kanker payudara berdasarkan kumpulan data klinis modern. Meskipun hasilnya menunjukkan bahwa Random Forest lebih unggul dalam hal akurasi, penting untuk mempertimbangkan konteks dan karakteristik kumpulan data ketika memilih algoritma klasifikasi yang tepat untuk aplikasi medis.

Desain UI/UX Aplikasi Simponi Mobile Menggunakan Metode Design Thinking

Robet Bangun Legato, Fransiska Prihatini S — Fri, 28 Feb 2025 00:00:00 +0700

Penelitian ini bertujuan untuk merancang ulang antarmuka pengguna (UI) aplikasi Simponi Mobile berdasarkan pengalaman pengguna (UX) menggunakan metode Design Thinking. Latar belakang penelitian ini didasari oleh hasil penelitian sebelumnya yang menunjukkan tingkat kepuasan pengguna yang rendah terhadap aplikasi Simponi mobile. Pengumpulan data dilakukan melalui kuesioner, wawancara, observasi, dan studi literatur. Hasil analisis data digunakan untuk merancang prototype UI baru yang kemudian diuji kembali menggunakan kuesioner UEQ. Hasil pengujian menunjukkan peningkatan signifikan pada semua skala UEQ, menandakan peningkatan UX aplikasi Simponi. Prototype desain akhir diserahkan kepada Unit Pelaksana Teknis Sistem Informasi (UPT SI) sebagai bahan pertimbangan untuk pengembangan aplikasi selanjutnya.