Hasil Pencarian  ::  Simpan CSV :: Kembali

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belum dapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekap pada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masa studi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empat model pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifier terbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data queries with APIs created using Express.js and Flask."

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belumdapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekappada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masastudi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empatmodel pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifierterbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data

queries with APIs created using Express.js and Flask."

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belum dapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekap pada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masa studi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empat model pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifier terbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data queries with APIs created using Express.js and Flask"

"Kualitas pendidikan tinggi di Indonesia merupakan salah satu upaya penting dalam menghasilkan sumber daya manusia unggul yang dapat memberikan manfaat besar bagi negara. Salah satu aspek penilaian yang dapat dijadikan acuan adalah ketepatan waktu lulus mahasiswa serta perkembangan indeks prestasi yang sejalan. Mahasiswa dikatakan lulus tepat waktu jika menyelesaikan studi dalam kurun waktu empat tahun. Saat ini, penelitian terkait prediksi ketepatan waktu lulus mahasiswa di Indonesia masih terbatas, dengan penelitian terakhir hanya mencakup lingkup Universitas Indonesia. Penelitian ini bertujuan untuk membandingkan setidaknya lima model prediksi dan memanfaatkan ensemble learning untuk membangun model yang diinginkan. Metrik yang digunakan sebagai acuan adalah F1-Score, dengan hasil akhir model ensemble learning yang memanfaatkan stacking classifier mencapai nilai 83%. Produk akhir dari penelitian ini adalah sebuah website yang memiliki fitur prediksi dan fitur statistik. Fitur prediksi digunakan untuk memprediksi ketepatan waktu lulus berdasarkan model machine learning yang telah dikembangkan. Fitur statistik menyediakan berbagai visualisasi yang memberikan informasi terkait ketepatan waktu lulus pada tingkat nasional, universitas, dan program studi. Visualisasi yang digunakan mencakup line chart, pie chart, geo chart, dan bar chart, serta menyediakan data mentah untuk informasi yang lebih sederhana.

---

The quality of higher education in Indonesia is a crucial effort in producing superior human resources that can significantly benefit the country. One of the assessment aspects that can be used as a reference is the timeliness of student graduation and the development of a corresponding performance index. Students are considered to graduate on time if they complete their studies within four years. Currently, research related to predicting the timeliness of student graduation in Indonesia is still limited, with the last study covering only the University of Indonesia. This study aims to compare at least five predictive models and utilize ensemble learning to build the desired model. The metric used as a reference is the F1-Score, with the final result of the ensemble learning model utilizing a stacking classifier reaching a score of 83%. The final product of this research is a website featuring both prediction and statistical tools. The prediction feature is used to predict the timeliness of graduation based on the previously developed machine learning model. The statistical feature provides various visualizations that offer information related to graduation timeliness at the national, university, and study program levels. The visualizations used include line charts, pie charts, geo charts, and bar charts, and also provide raw data for simpler information."

"Kualitas pendidikan tinggi di Indonesia merupakan salah satu upaya penting dalam menghasilkan sumber daya manusia unggul yang dapat memberikan manfaat besar bagi negara. Salah satu aspek penilaian yang dapat dijadikan acuan adalah ketepatan waktu lulus mahasiswa serta perkembangan indeks prestasi yang sejalan. Mahasiswa dikatakan lulus tepat waktu jika menyelesaikan studi dalam kurun waktu empat tahun. Saat ini, penelitian terkait prediksi ketepatan waktu lulus mahasiswa di Indonesia masih terbatas, dengan penelitian terakhir hanya mencakup lingkup Universitas Indonesia. Penelitian ini bertujuan untuk membandingkan setidaknya lima model prediksi dan memanfaatkan ensemble learning untuk membangun model yang diinginkan. Metrik yang digunakan sebagai acuan adalah F1-Score, dengan hasil akhir model ensemble learning yang memanfaatkan stacking classifier mencapai nilai 83%. Produk akhir dari penelitian ini adalah sebuah website yang memiliki fitur prediksi dan fitur statistik. Fitur prediksi digunakan untuk memprediksi ketepatan waktu lulus berdasarkan model machine learning yang telah dikembangkan. Fitur statistik menyediakan berbagai visualisasi yang memberikan informasi terkait ketepatan waktu lulus pada tingkat nasional, universitas, dan program studi. Visualisasi yang digunakan mencakup line chart, pie chart, geo chart, dan bar chart, serta menyediakan data mentah untuk informasi yang lebih sederhana.

---

The quality of higher education in Indonesia is a crucial effort in producing superior human resources that can significantly benefit the country. One of the assessment aspects that can be used as a reference is the timeliness of student graduation and the development of a corresponding performance index. Students are considered to graduate on time if they complete their studies within four years. Currently, research related to predicting the timeliness of student graduation in Indonesia is still limited, with the last study covering only the University of Indonesia. This study aims to compare at least five predictive models and utilize ensemble learning to build the desired model. The metric used as a reference is the F1-Score, with the final result of the ensemble learning model utilizing a stacking classifier reaching a score of 83%. The final product of this research is a website featuring both prediction and statistical tools. The prediction feature is used to predict the timeliness of graduation based on the previously developed machine learning model. The statistical feature provides various visualizations that offer information related to graduation timeliness at the national, university, and study program levels. The visualizations used include line charts, pie charts, geo charts, and bar charts, and also provide raw data for simpler information."

"Kualitas pendidikan tinggi di Indonesia merupakan salah satu upaya penting dalam menghasilkan sumber daya manusia unggul yang dapat memberikan manfaat besar bagi negara. Salah satu aspek penilaian yang dapat dijadikan acuan adalah ketepatan waktu lulus mahasiswa serta perkembangan indeks prestasi yang sejalan. Mahasiswa dikatakan lulus tepat waktu jika menyelesaikan studi dalam kurun waktu empat tahun. Saat ini, penelitian terkait prediksi ketepatan waktu lulus mahasiswa di Indonesia masih terbatas, dengan penelitian terakhir hanya mencakup lingkup Universitas Indonesia. Penelitian ini bertujuan untuk membandingkan setidaknya lima model prediksi dan memanfaatkan ensemble learning untuk membangun model yang diinginkan. Metrik yang digunakan sebagai acuan adalah F1-Score, dengan hasil akhir model ensemble learning yang memanfaatkan stacking classifier mencapai nilai 83%. Produk akhir dari penelitian ini adalah sebuah website yang memiliki fitur prediksi dan fitur statistik. Fitur prediksi digunakan untuk memprediksi ketepatan waktu lulus berdasarkan model machine learning yang telah dikembangkan. Fitur statistik menyediakan berbagai visualisasi yang memberikan informasi terkait ketepatan waktu lulus pada tingkat nasional, universitas, dan program studi. Visualisasi yang digunakan mencakup line chart, pie chart, geo chart, dan bar chart, serta menyediakan data mentah untuk informasi yang lebih sederhana.

---

The quality of higher education in Indonesia is a crucial effort in producing superior human resources that can significantly benefit the country. One of the assessment aspects that can be used as a reference is the timeliness of student graduation and the development of a corresponding performance index. Students are considered to graduate on time if they complete their studies within four years. Currently, research related to predicting the timeliness of student graduation in Indonesia is still limited, with the last study covering only the University of Indonesia. This study aims to compare at least five predictive models and utilize ensemble learning to build the desired model. The metric used as a reference is the F1-Score, with the final result of the ensemble learning model utilizing a stacking classifier reaching a score of 83%. The final product of this research is a website featuring both prediction and statistical tools. The prediction feature is used to predict the timeliness of graduation based on the previously developed machine learning model. The statistical feature provides various visualizations that offer information related to graduation timeliness at the national, university, and study program levels. The visualizations used include line charts, pie charts, geo charts, and bar charts, and also provide raw data for simpler information."

"Pemelajaran mesin dikenal sangat berguna dalam menyelesaikan permasalahan prediksi dan klasifikasi melalui pembelajaran pola dan perilaku data yang tersedia. Oleh karena itu, pemelajaran mesin dapat dimanfaatkan di berbagai bidang kehidupan dan industri modern. Namun, kinerja pemelajaran mesin sangat tergantung dari model pemelajaran mesin yang digunakan maupun dari kualitas data yang digunakan untuk pemelajaran. Data yang tidak bersih, tidak representatif, dan ketersediaannya terbatas akan mengurangi kualitas hasil prediksinya.Penelitian ini bertujuan untuk menguji kombinasi beberapa metode pemrosesan data (yaitu MissForest, GAIN, ENN, dan TabGAN oversampling) dengan model pembelajaran mesin (yaitu model CatBoost dan model klasifikasi biner berbasis neural network) untuk memprediksi kasus mahasiswa putus studi di beberapa universitas di Indonesia menggunakan data dari PDDikti. Penambahan fitur dilakukan untuk memberi label bidang studi terhadap dataset tersebut. Selain penambahan fitur seleksi fitur relevan menggunakan korelasi Pearson serta feature importances juga dilakukan setelah pelatihan model awal. Google Colab dengan bahasa pemrograman Python digunakan untuk menjalankan algoritma pemrosesan data dan pelatihan model.Hasil penelitian menunjukkan bahwa model CatBoost dengan kombinasi metode imputasi GAIN, undersampling ENN, dan tanpa fitur kelompok bidang studi memberikan F1-score tertinggi yaitu 66,38% dengan nilai precision 71,75% dan nilai recall 61,76%. Apabila digunakan model klasifikasi biner pemelajaran dalam akan didapatkan metrik terbaik F1-score 62,32%. Hasil terbaik penelitian ini menunjukkan peningkatan F1-score sebesar 2,15% dibandingkan dengan F1-score pada penelitian sebelumnya yang menggunakan model CatBoost bersama kombinasi Missforest dan ENN tanpa fitur kelompokbidang studi. Penelitian ini menunjukkan bahwa oversampling dan undersampling memberikan dampak yang berlawanan terhadap metrik precision dan recall. Penelitian juga menemukan seleksi fitur dapat meningkatkan kinerja model namun tidak berdampak besar dibandingkan teknik-teknik lain misalnya balancing dan optimisasi hyperparameter.

---

Machine learning is known to be very useful in solving prediction and classification problems

by learning the patterns and behavior of available data. Therefore, machine learning can be utilized in various areas of modern life and industry. However, the performance of machine learning is highly dependent on the machine learning model used as well as on the quality of the data used for learning. Data that is not clean, not representative, and scarce will reduce the quality of the prediction results.

This study aims to test the combination of several data processing methods (namely MissForest, GAIN, ENN, and TabGAN oversampling) with machine learning models (CatBoost and binary classification models based on neural networks) to predict dropout cases at several Indonesian universities using data from PDDikti. The addition of features is done to label data with their respective fields of study. Other than adding features, selection of relevant features using Pearson’s correlation as well as feature importances is also carried out after initial model training. Google Colab with the Python programming language is used to run data processing algorithms and train models.

This study shows that CatBoost with the combination of GAIN imputation, ENN undersampling, and no field of study feature results in the highest F1-score of 66.38%, which are composed of 71.75% in precision and 61.76% in recall. If a deep learning binary classification model is used instead, the best F1-score result is 62.32%. The best result from this study shows an increase in F1-score of 2.15% compared to the F1-score of the previous study (64.23%) which used CatBoost along with a combination of Missforest, ENN and no field of study features. This research shows oversampling and undersampling produce opposite effects on precision and recall scores. Research has also

found that feature selection can improve model performance but does not have a large impact compared to other techniques such as balancing and hyperparameter optimization"

"Ujaran kebencian dapat menyebabkan terjadinya konflik dan pembantaian di masyarakat sehingga harus segera ditangani. Indonesia memiliki lebih dari 700 bahasa daerah dengan karakteristik masing-masing. Ujaran kebencian yang ada di Indonesia juga pernah dilakukan menggunakan bahasa daerah. Media sosial Twitter paling sering digunakan dalam menyebarkan ujaran kebencian. Identifikasi target, kategori, serta level ujaran kebencian dapat membantu Polri dan Kemenkominfo dalam menentukan prioritas penanganan ujaran kebencian sehingga dapat meminimalisir dampaknya. Penelitian ini melakukan identifikasi ujaran kasar dan ujaran kebencian beserta target, kategori, dan level ujaran kebencian pada data Twitter berbahasa daerah menggunakan algoritma classical machine learning dan deep learning. Penelitian ini menggunakan data lima bahasa daerah di Indonesia dengan penutur terbanyak yaitu Jawa, Sunda, Madura, Minang, dan Musi. Pada data Bahasa Jawa performa terbaik diperoleh menggunakan algoritma Support Vector Machine (SVM) dengan transformasi data Classifier Chains (CC) serta kombinasi fitur word unigram, bigram, dan trigram dengan F1-score 70,43%. Algoritma SVM dengan transformasi data CC serta kombinasi fitur word unigram dan bigram memberikan performa terbaik pada data Bahasa Sunda dan Madura dengan masing-masing F1-score 68,79% dan 78,81%. Sementara itu, pada data Bahasa Minang dan Musi hasil terbaik diperoleh menggunakan algoritma SVM dengan transformasi data CC serta fitur word unigram dengan F1-score 83,57% dan 80,72%. Penelitian ini diharapkan dapat digunakan sebagai masukan bagi Polri dan Kemenkominfo dalam pembangunan sistem identifikasi ujaran kasar, ujaran kebencian serta target, kategori, dan level ujaran kebencian pada media sosial.

---

Hate speech can lead to conflict and massacres in society so it must be dealt immediately. Indonesia has more than 700 regional languages with their own characteristics. Hate speech in Indonesia has also been carried out using regional languages. Twitter is the most frequently used social media to spread hate speech. Identification of targets, categories, and levels of hate speech can help the National Police and the Ministry of Communication and Information to determine priorities for handling hate speech to minimize its impact. This study identifies abusive speech and hate speech along with the target, category, and level of hate speech on regional language Twitter data using classical machine learning and deep learning algorithms. This study uses data from five regional languages in Indonesia with the most speakers, namely Javanese, Sundanese, Madurese, Minang, and Musi. In Java language data, the best performance is obtained using the Support Vector Machine (SVM) algorithm with Classifier Chains (CC) data transformation and a combination of unigram, bigram, and trigram word features with an F1-score of 70.43%. The SVM algorithm with CC data transformation and the combination of unigram and bigram word features provides the best performance on Sundanese and Madurese data with F1-scores of 68.79% and 78.81%, respectively. Meanwhile, in Minang and Musi language data, the best results were obtained using the SVM algorithm with CC data transformation and word unigram features with F1-scores of 83.57% and 80.72%, respectively. This research is expected to be used as input for the National Police and the Ministry of Communication and Information in developing a system for identifying harsh speech, hate speech and the target, category, and level of hate speech on social media."

"Sebuah paparan radiasi memiliki dampak yang baik dan buruk bagi kehidupan manusia, maka dari itu diperlukan alat untuk mendeteksi adanya sinar radiasi yang berbahaya atau tidak. Hal tersebut merupakan bentuk preventif dari sebuah malapetaka. Sebuah kejadian pada Chernobyl yang membuat manusia tidak bisa menghuni tempat tersebut lagi. Oleh karena itu, perlu dipelajari bahwa kejadian tersebut bisa saja tidak terjadi apabila disiapkan tindakan preventif. Salah satu hal preventif tersebut adalah dengan melakukan identifikasi radiasi dari sumber untuk menilai tingkat keselamatannya. Maka dari itu, penelitian ini dilakukan agar implementasi preventif tersebut bisa dipermudah dengan melakukan modernisasi sebuah sistem dengan menambahkan machine learning pada sebuah sistem. Hasil analisis menunjukkan kedua algoritma memiliki performa yang baik. Model CNN dengan transformasi Upscaling memiliki performa terbaik dengan akurasi sebesar 96.1%, presisi sebesar 0.963, recall sebesar 0.957, dan F1-score sebesar 0. 960.

---

A radiation exposure has a good and bad impact on human life, hence the need for a tool to detect the presence of harmful radiation rays or not. This is a preventive form of a catastrophe. An incident in Chernobyl that made humans unable to inhabit the place again. Therefore, it is necessary to learn that the incident could not have happened if preventive measures were prepared. One of the preventive measures is to identify the radiation from the source to assess its safety level. Therefore, this research was conducted so that the preventive implementation can be facilitated by modernizing a system by adding machine learning to a system. The analysis results show that both algorithms have good performance. CNN model with Upscaling transformation has the best performance with accuracy of 96.1%, precision of 0.963, recall of 0.957, and F1-score of 0. 960."

"Dalam era digital yang terus berkembang, aktivitas sosial dan bisnis semakin banyak beralih ke media sosial dan digitalisasi melalui e-commerce. Tidak hanya pada sektor jual beli masyarakat, terjadi digitalisasi di bidang pengadaan barang/jasa pemerintah dengan dibangunnya sistem e-katalog. Sistem e-katalog memungkinkan pemerintah dan masyarakat untuk mengawasi dan memastikan bahwa pengadaan barang dan jasa pemerintah dilakukan secara adil dan transparan. Namun, sistem e-katalog mengalami keterbatasan dalam hal jumlah dan jenis produk, sehingga upaya terus dilakukan untuk menambah vendor dan memperluas kesepakatan dengan penjual lokal. Meskipun begitu, masih terdapat banyak produk impor yang tercatat pada daftar produk di e-katalog. Dengan memanfaatkan teknologi Machine Learning, klasifikasi produk ke lokal dan pemetaannya ke kategori di e-katalog dapat membantu menyelesaikan permasalahan yang dihadapi oleh sistem e-katalog ini.Desain penelitian yang digunakan pada penelitian ini adalah Experimental research, dimana klasifikasi produk dan pemetaan kategori yang dilakukan pada penelitian ini menggunakan metode Machine Learning. Pemetaan kategori dilakukan dengan 2 pendekatan, produk ke kategori dan kategori ke kategori. Klasifikasi produk dibagi menjadi 2 kelas yaitu lokal dan impor. Data yang diolah adalah produk dari e-commerce dari rentang November 2022 hingga April 2023.Metode yang digunakan pada penelitian ini untuk klasifikasi produk lokal dan kategori adalah Random Forest (RF), Support Vector Machine (SVM), Neural Network (NN), dan Transformers. Dari eksperimen klasifikasi produk lokal dan kategori, keduanya mendapatkan hasil evaluasi terbaik dari model transformers, yang digunakan sebagai model ekstraksi fitur hingga klasifikasi. Performa model klasifikasi produk lokal mendapat f1-score 97,24% dan akurasi 97,25%. Sedangkan model klasifikasi kategori, performa model f1-score 63,74% dan akurasi 64,14%.

---

In the ever-evolving digital era, social and business activities are increasingly turning to social media and digitalization through e-commerce. Not only in the public buying and selling sector, digitization happen in the field of government goods/services procurement with the construction of an e-catalog system. The e-catalog system enables the government and the public to monitor and ensure that government procurement of goods and services is carried out in a fair and transparent manner. However, the e-catalog system suffers from limitations in terms of the number and types of products, so efforts are being made to add more vendors and expand agreements with local sellers. Even so, there are still many imported products listed on the product list in the e-catalog. By utilizing Machine Learning technology, classifying products to local and mapping them to categories in the e-catalog can help solve the problems faced by this e-catalog system.

The research design used in this study is Experimental research, where product classification and category mapping are carried out in this study using Machine Learning methods. Category mapping is done with 2 approaches, product to category and category to category. Product classification is divided into 2 classes, namely local and imported. The processed data are products from e-commerce from November 2022 to April 2023.

The methods used in this study for local product classification and categories are Random Forest (RF), Support Vector Machine (SVM), Neural Network (NN), and Transformers. From the local and category product classification experiments, both obtained the best evaluation results from the Transformers model, which was used as a feature extraction model for classification. The performance of the local product classification model gets an f1-score of 97,24% and accuracy 97,25%. While the category classification model, the performance of the f1-score model is 63,74% and accuracy 64,14%.

"