Journal of Information Technology Literacy

Prediksi Kebakaran Hutan Berdasarkan Faktor Iklim Untuk Sumatra Menggunakan FLNN-PSO

Dian Aries Alfatah Dian, Irma Palupi — Thu, 17 Apr 2025 00:00:00 +0700

Indonesia telah mengalami peningkatan yang mengkhawatirkan dalam kebakaran hutan sejak tahun 1980. Pada tahun 2019, luas kebakaran hutan di Sumatra meningkat secara signifikan, menghasilkan jumlah karbon yang substansial dan berkontribusi secara signifikan terhadap total emisi karbon negara. Faktor cuaca seperti kecepatan angin, suhu, dan curah hujan dapat mempengaruhi kebakaran hutan. Pada penelitian ini dikembangkan model prediksi menggunakan Functional Link Neural Network (FLNN), dengan Particle Swarm Optimization (PSO) untuk optimisasi pada pencocokan model FLNN. Dataset yang digunakan adalah emisi karbon dari GFED dan faktor iklim dari ERA5 dari tahun 1998 sampai 2022, dimana empat tahun terakhir akan digunakan sebagai data uji. Tiga skenario pengujian dilakukan pada penelitian ini untuk melihat faktor yang dominan dalam model prediksi, disertai dengan analisis feature importance. Diperoleh dari tiga skenario pengujian, bahwa keterlibatan indeks waktu dan lokasi tidak berpengaruh untuk memberikan galat kecil pada model prediksi FLNN-PSO. Sehingga faktor cuaca saja yang dominan pengaruhnya terhadap hasil prediksi yang akurat dengan model FLNN-PSO. Nilai MAE terendah untuk total emisi carbon di wilayah Sumatera yang diperoleh adalah 254,28 gC/m²/bulan.

Kata kunci—kebakaran hutan, prediksi, sumatra, emisi karbon, functional link neural network (flnn), particle swarm optimization (pso)

Autentikasi Pengguna Berbasis Keystroke Dynamic Menggunakan Fitur Distance Enhanced Flight Time (DEFT)

Mohammad Dwiantara Mahardhika, Prasti Eko Yunanto, Febryanti Sthevanie — Thu, 17 Apr 2025 00:00:00 +0700

Abstrak —Privasi dan keamanan data menjadi sangat penting di era digital saat ini. Metode autentikasi tradisional yang sering digunakan seperti kata sandi dan PIN, memilki berbagai kelemahan seperti mudah hilang dan dicuri. Untuk mengatasi kekurangan tersebut, teknologi biometrik telah muncul sebagai alternatif salah satunya adalah keystroke dynamics. Keystroke dynamics dapat menjadi lapisan keamanan tambahan dalam melakukan autentikasi atau verifikasi menggunakan pola pengetikan pengguna. Penelitian ini berfokus pada eksplorasi metode Distance Enhanced Flight-Time (DEFT) untuk membangun sistem keystroke dynamics-based authentication (KDA). DEFT merupakan metode ekstraksi fitur keystroke dynamic yang menggabungkan fitur waktu penekanan tombol dengan jarak antara tombol pada keyboard. Sistem KDA dibangun menggunakan XGBoost sebagai model klasifikasi biner untuk melakukan autentikasi pengguna berdasarkan fitur DEFT. Berdasarkan hasil penelitian menggunakan Biomey keystroke dataset, sistem yang dibangun berhasil mencapai rata-rata FAR 4.71% dan FRR 14.59%.

Kata kunci—biometrik, keystroke dynamics, autentikasi, DEFT, XGBoost

Extraction Texture dan Morphological Menggunakan 1D- Klasifikasi Fase Penyakit Malaria Falciparum Berdasarkan Citra Sel Darah Merah Menggunakan Convolutional Neural Network

rheanov bija adzlan adlan, Febryanti Sthevanie, Kurniawan Nur Ramadhani — Thu, 17 Apr 2025 00:00:00 +0700

Malaria merupakan salah satu penyakit menular yang menginfeksi sel darah merah. Pada pasien terduga terjangkit malaria, pemeriksaan mikroskopik hapusan darah masih menjadi standar yang dilakukan untuk mendiagnosis malaria. Hal ini menimbulkan permasalahan dalam diagnosis malaria, karena dalam melakukan diagnosis tersebut membutuhkan pelatihan khusus dan keahlian yang cukup pada sumber daya yang ada. Sensitivitas sebesar 57% dan masih terbilang rendah menjadi kendala pemeriksaan mikroskopik, sehingga berdasarkan hal tersebut diperlukan cara identifikasi/klasifikasi secara tepat dan akurat terhadap penyakit malaria dengan memanfaatkan perkembangan teknologi yang telah maju salah satunya dengan menggunakan Machine Learning. Pada penelitian ini menggunakan 1D-Convolutional Neural Network, dan menggunakan feature extraction texture dan morphological. Dataset yang digunakan dari website Kaggle yaitu Malaria Parasite Image (Different Malaria Species) dengan species yang digunakan Falciparum dan label terdiri dari fase Gametocytes (G), Rings (R), Trophozoite (T), Schizont (S). Hasil dari penelitian ini mendapatkan nilai confusion matrix tertinggi pada proporsi 80:20 dengan nilai accuracy sebesar 82%.

Kata kunci— Citra, Extraction Texture, Falciparum, Morphological, 1D-CNN

Koreksi Teks Untuk Kesalahan Penulisan Pada Artikel Berita Menggunakan Model Bahasa

M. dony samdhila yasin yasin, Ade Romadhony — Thu, 17 Apr 2025 00:00:00 +0700

Dalam era digital ini, kualitas penulisan artikel berita sangat penting untuk menjaga integritas dan kredibilitas informasi. Namun, sering terjadi kesalahan penulisan seperti ejaan dan tata bahasa yang dapat mengurangi kualitas artikel berita dan mempengaruhi pemahaman pembaca. Kesalahan ini mengindikasikan adanya kebutuhan akan metode yang efektif untuk mendeteksi dan memperbaiki kesalahan tersebut. Penelitian ini bertujuan untuk meningkatkan kualitas artikel berita dengan mengimplementasikan teknologi koreksi teks menggunakan model bahasa IndoBERT. Tiga metode yang diterapkan adalah pretrained error detection, finetuned error detection, dan dictionary-based error detection. Dataset yang digunakan mencakup 200 artikel berita berbahasa Indonesia dengan total 55.356 kata, meliputi berbagai kategori berita. Hasil penelitian menunjukkan bahwa metode dictionary-based error detection menghasilkan Overall Accuracy sebesar 89%, yang sangat efektif dalam mendeteksi dan memperbaiki kesalahan ejaan sederhana. Di sisi lain, model IndoBERT yang di-finetune dengan dataset berita menunjukkan peningkatan akurasi hingga 46% dibandingkan model pretrained, dan lebih unggul dalam menangani kesalahan kontekstual yang lebih kompleks. Penelitian ini memberikan dampak signifikan dalam meningkatkan kualitas penulisan artikel berita dengan menggunakan teknologi koreksi teks berbasis model bahasa. Kesalahan penulisan dapat dikurangi, sehingga artikel menjadi lebih akurat dan mudah dipahami oleh pembaca. Hasil penelitian ini juga diharapkan dapat berkontribusi pada pengembangan teknologi koreksi teks otomatis di Indonesia.

Keywords— koreksi teks, kesalahan penulisan, artikel berita, model bahasa

Analisis Perbandingan Tingkat Maintainability Antara Arsitektur MVVM ( Model-View-Viewmodel ) Dan MVC (Model-View-Controller) Dalam Pengembangan Aplikasi Mobile

maulana sidiq sidiq, Dawam Dwi Jatmiko Suwawi, Sri Widowati — Thu, 17 Apr 2025 00:00:00 +0700

Abstrak Penelitian ini bertujuan untuk membandingkan nilai antara Model-View-ViewModel (MVVM) dan Model-View-Controller (MVC) dalam konteks pengembangan aplikasi mobile. Meningkatnya penggunaan aplikasi perangkat lunak berbasis mobile menjadi tantangan tersendiri bagi para pengembang dalam hal pemeliharaan aplikasi dalam jangka panjang. Oleh karena itu, sangat penting untuk memilih pola desain arsitektur yang sesuai untuk aplikasi perangkat lunak berbasis mobile. Penelitian ini akan memberikan panduan yang berharga bagi para pengembang untuk memilih arsitektur yang sesuai dengan kebutuhan pengembangan aplikasi perangkat lunak dalam jangka panjang.

Kata kunci Pengembangan Aplikasi Mobile, Pola Desain Arsitektur, Model-View-ViewModel, Model-View-Controller, Pengembangan Aplikasi Perangkat Lunak