Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTPelayanan publik berperan penting untuk meningkatkan kesejahteraan masyarakat. Kepolisian Republik Indonesia merupakan lembaga pelayanan publik yang memiliki peranan penting di masyarakat. Namun, penilaian kinerja Polri yang berhubungan langsung dengan masyarakat masih rendah dan perlu ditingkatkan. Peningkatan kinerja layanan Polri dilakukan dengan memahami aduan dan masukan dari masyarakat. Aduan merupakan informasi penting untuk penyedia layanan untuk mengetahui arah perbaikan dan pengembangan layanan ke depannya. Perkembangan teknologi membuat sistem penyampaian pengaduan dapat disampaikan secara online sehingga lebih mudah. Kemudahan ini sejalan dengan banyaknya jumlah aduan yang disampaikan masyarakat kepada Polri. Aduan masyarakat merupakan data teks yang tidak terstruktur dengan penggunaan kosa kata yang bervariasi. Maka dari itu, pendekatan text miningpenting untuk dilakukan. Penelitian ini bertujuan untuk mengklasifikasi dan melakukan clustering dari aduan masyarakat kepada Polri untuk topik permasalahan yang sering disampaikan masyarakat. Untuk klasifikasi, algoritme yang digunakan adalah Support Vector Machine SVM dan Random Forest Classifier RFC karena kedua algoritme bekerja dengan baik untuk mengklasifikasi data teks dalam jumlah besar. Hasilnya algoritme RFC bekerja lebih baik pada kasus ini dengan akurasi 72 . Untuk clustering, algoritme yang digunakan adalah Self-Organizing Maps. Hasil penelitian menunjukkan aduan terbanyak masyarakat terdapat di Kelas Pelayanan Buruk dengan topik yang sering dibahas berkaitan dengan satuan kerja Korps Lalu-Lintas Polri.

---

ABSTRACTPublic services take a major role to improve the welfare of society. Indonesia National Police is one of public service institution which have an important role. Unfortunately, assessment of Police performance related to the public service quality is still low. Police needs to improvetheirservice quality. For improving the performance, by analyzing inputs and complaints from public. Complaint is an valuable information for service provider in order to know the service improvement and development in the future. Technology advances make the online complaint handling system easy to access. This is allign with the number of public complaints for Police. Public complaints is unstructured text data with varying vocabulary. Hence, this research is using text mining approach. This research aims to classify and cluster the public complaints to Indonesia National Police to get the specific topic of the complaint. Support Vector Machine and Random Forest Classification RFC algorithms are used for classification. RFC works better on this research with 72 accuracy. Self Organizing Maps algorithm is used for clustering. The result is the highest public complaints are in poor service quality class with topics related to National Police rsquo s Traffic Corps."

"Kemacetan menjadi masalah umum yang sering terjadi di kota besar di dunia. Apabila ditelaah lebih lanjut kita sering menemukan bahwa titik lokasi kemacetan banyak timbul pada persimpangan akibat tidak optimalnya durasi siklus sinyalnya sehingga membuat lampu lalu lintas tersebut tidak efisien. Sistem Pengendalian Lalu Lintas Otomatis ini dikembangkan dengan memanfaatkan Distance Matrix API dari Google Maps Platform sebagai masukan data untuk perhitungan durasi siklusnya. Distance Matrix API adalah layanan yang dapat digunakan untuk menghitung waktu tempuh antara satu lokasi dengan lokasi yang lainnya berdasarkan data historis maupun real-time. Sistem Pengendalian Lalu Lintas Otomatis dibuat menggunakan bahasa pemrograman Java dan algoritmanya diuji pada simulasi yang dibuat pada aplikasi perangkat lunak ProModel. Berdasarkan hasil pengujian, sistem dapat meningkatkan troughput dari sebuah persimpangan sebesar 4-5 dan dapat mengurangi total waktu tempuh yang dibutuhkan sebesar 1-7 jika dibandingkan dengan sistem lampu lalu lintas fixed timing.

---

Traffic congestion is a common transportation problem that occurs in big cities around the world. If we look further, we often found congestion is centered in an intersection caused by poor cycle time of traffic signal leading inefficiency of the traffic light. This Adaptive Traffic Control Systems used Distance Matrix API from Google Maps Platform as data input to calculate a more efficient cycle time. Distance Matrix API is a service that provides travel time between points based on historical and real time data. This system is built with the programming language Java and the algorithm is simulated within modelling software ProModel. Based on test result, the proposed system is able to increase the throughput of an intersection by 4 5 and can decrease total travel time by 1 7 compared to fixed timing traffic light system. "

"Idealnya, semua hotel di Indonesia telah disertifikasi sesuai standar hotel yang diberlakukan pemerintah sesuai amanah UU. Nyatanya 74,04% hotel belum tersertifikasi. Kondisi tersebut dapat merugikan konsumen/wisatawan karena tidak ada jaminan produk yang ditawarkan hotel berkualitas sesuai standar. Merancang peta jalan bagi para pemangku kepentingan (regulator, pemerintah daerah, lembaga penilaian kesesuaian, asosiasi) merupakan tujuan penelitian ini sebagai upaya mendorong pertumbuhan sertifikasi hotel di Indonesia. Penggunaan pertanyaan terbuka sebagai dasar wawancara dengan para pakar di dalam metode fenomenografi berhasil menetapkan 32 isu. Berdasarkan perhitungan geomean, 23 dari 32 isu tersebut dianggap mempengaruhi pertumbuhan sertifikasi hotel. Lalu, isu tersebut digunakan untuk merancang peta jalan. Selanjutnya, peta jalan prioritas ditentukan menggunakan metode perbandingan berpasangan. Studi ini menetapkan 6 dari 24 rancangan, yakni kaji ulang regulasi, evaluasi penerapan oleh Pemerintah Pusat, pembinaan bagi para pelaku usaha hotel oleh Pemerintah Daerah, pengembangan standar baru, sosialisasi dan pelatihan bagi LSUP, dan pemberian insentif fasilitas bimbingan teknis penerapan standar bagi pelaku usaha hotel yang komitmen. Meski demikian peta jalan lainnya tetap dijalankan secara simultan.

---

Ideally, all hotels in Indonesia have been certified according to hotel standards imposed by the government by the law's mandate. In fact, 74.04% of hotels have not been certified. This condition can be detrimental to consumers/tourists because there is no guarantee that the products offered by the hotel are of quality according to standards. Designing a roadmap for stakeholders (regulators, local governments, conformity assessment bodies, associations) is the aim of this research to encourage the growth of hotel certification in Indonesia. Using open-ended questions as the basis for interviews with experts in the phenomenography method succeeded in establishing 32 issues. Based on geomean calculations, 23 of the 32 issues are considered to affect the growth of hotel certification. Then these issues are used to design a roadmap. Furthermore, priority roadmaps were determined using the pairwise comparison method. They defined 6 of the 24 designs, namely regulatory review, implementation evaluation by the Central Government, guidance for hotel business actors by local governments, development of new standards, socialization and training for LSUPs, and providing incentives such as technical guidance facilities for the application of standards for committed hotel business actors. However, other roadmaps are still being conducted simultaneously."

"Ulasan adalah opini seseorang yang ditulis mengenai pengalamannya terhadap suatu produk atau jasa. Ulasan umumnya ditulis pada platform media sosial atau marketplace. Seiring dengan berkembangnya teknologi internet dan produk yang dijual secara daring, ulasan sangat penting peranannya karena dapat memengaruhi keputusan seseorang dalam memutuskan pilihannya terhadap suatu produk/kegiatan/jasa. Penelitian ini berfokus untuk melakukan analisis sentimen berbasis aspek dan pemodelan topik pada destinasi pariwisata Indonesia yaitu Candi Borobudur dan Candi Prambanan. Analisis sentimen berbasis aspek dilakukan menggunakan lima pendekatan classical machine learning yaitu Naïve Bayes (NB), Logistic Regression (LR), Decision Tree (DT), Random Forest, dan Extra Trees (ET) dengan menggunakan fitur unigram+bigram+trigram dan memanfaatkan kombinasi penggunaan data latih dan data uji, penggunaan penghapusan stopwords, penggunaan stemming dan emoji processing, dan penggunaan data latih yang di-over-sampling. Kinerja model dievaluasi dengan membandingkan skor F1 pada masing-masing hasil eksperimen untuk mengetahui skenario terbaik yang dapat digunakan untuk ulasan pada bidang pariwisata. Aspek yang digunakan pada penelitian ini yaitu ada enam aspek sesuai rekomendasi aspek dari World Tourism Organization (WTO) yaitu Daya Tarik, Amenitas, Aksesibilitas, Citra, Harga, dan Sumber Daya Manusia (SDM). Setelah melakukan analisis sentimen berbasis aspek, dilakukan pemodelan topik untuk mengetahui topik apa saja yang umum ditemukan pada setiap aspek pariwisata dan setiap polaritas sentimen ulasan. Metode yang digunakan dalam pemodelan topik adalah Latent Dirichlet Allocation (LDA) yang dievaluasi dengan coherence score. Data yang digunakan adalah ulasan pengguna Google Maps dan Tripadvisor. Hasil eksperimen menunjukkan bahwa model LR adalah model yang dapat memprediksi data dengan baik pada hampir semua skenario pada setiap aspek pada penelitian ini. Model LR mendapatkan skor tertinggi pada aspek Daya Tarik (Skenario 4) dengan skor 84,4%, Amenitas (Skenario 11) 84,2%, Aksesibilitas (Skenario 11) 89,1%, Citra (Skenario 3) 70%, dan SDM (Skenario 12) dengan 92,8%. Sementara itu, model DT dapat memprediksi data dengan baik pada aspek Harga (Skenario 6) dengan skor 91,3%. Dari hasil pemodelan topik, dapat direkomendasikan beberapa hal untuk perkembangan pariwisata di Candi Borobudur dan Candi Prambanan.

---

Reviews are opinions written by someone about their experience of a product or service. Reviews can be written on social media platforms or marketplaces. Along with the development of internet technology and products sold online, reviews are very important because they can influence a person's decision in deciding their choice of a product/activity/service. This study focuses on conducting aspect-based sentiment analysis and topic modelling on Indonesia’s tourism destinations, which are Borobudur Temple and Prambanan Temple. Aspect-based sentiment analysis was done using five classical machine learning algorithms which are Naïve Bayes (NB), Logistic Regression (LR), Decision Tree (DT), Random Forest, and Extra Trees (ET) using the unigram+bigram+trigram feature and the application of combination of the use of training and test data, stopwords removal, the use of stemming and emoji processing, and the use of over-sampled training data. The performance of models was evaluated by comparing the F1-scores on each experimental result to find out the best scenario that can be used for reviews on tourism domain. The aspects used in this study are six aspects according to the recommendations of the World Tourism Organization (WTO) which are Attractions, Amenities, Accessibility, Image, Price, and Human Resources (HR). After conducting an aspect-based sentiment analysis, topic modelling was carried out to find out which topics were most widely found in each tourism aspect and each polarity sentiment review. The method used in topic modelling is Latent Dirichlet Allocation (LDA) and evaluated by its coherence score. The data used is Google Maps and Tripadvisor user reviews. The experimental results show that the LR model is a model that can predict the data well in almost all scenarios in every aspect of this study. The LR model achieved the highest score on Attractions (Scenario 4) with a score of 84,4%, Amenity (Scenario 11) 84,2%, Accessibility (Scenario 11) 89,1%, Image (Scenario 3) 70%, and SDM (Scenario 12) 92,8%. Meanwhile, the DT model can predict the data well on the Price aspect (Scenario 6) with a score of 91,3%. From the results of topic modelling, we recommend some approaches for the development of tourism in Borobudur Temple and Prambanan Temple."

"Penelitian ini bertujuan untuk melakukan perancangan pengukuran kinerja pada proses manajemen rantai pasokan untuk perusahaan produk tekstil sehingga perusahaan dapat menjalankan proses operasional secara efektif untuk meningkatkan profitabilitas perusahaan. Penelitian ini merupakan penelitian kualitatif yang dilakukan melalui studi kepustakaan serta penelitian lapangan. Penelitian menyimpulkan bahwa perbaikan dan pengembangan atas proses dan pengukuran kinerja perlu dilakukan terhadap kedelapan proses dalam manajemen rantai pasokan yaitu manajemen hubungan pelanggan, manajemen layanan pelanggan, manajemen permintaan, pemenuhan pesanan, manajemen alur produksi, manajemen hubungan pemasok, pengembangan produk dan komersialisasi serta manajemen retur. Penelitian ini juga menyarankan perusahaan untuk mengkomunikasikan peta strategi dan sasaran strategis secara jelas kepada seluruh jajaran struktur dalam perusahaan serta melakukan pengukuran kinerja secara berkala terhadap perspektif keuangan, pelanggan dan proses manajemen rantai pasokan sebagai perspektif proses internal sehingga dapat mengetahui kelemahan perusahaan dan menentukan rencana inisiatif untuk perbaikan berkelanjutan.

---

This study aims to design performance measurement in supply chain processes for textile product company with the result that the company could run the operational process effectively to increase profitability of the company. This study is a qualitative research conducted through literature and field study. The study concluded that improvements and development in process and performance measurement needs to be carried out on each of the eight processes in supply chain management which are customer relationship management, customer service management, demand management, order fulfillment, manufacturing flow management, supplier relationship management, product development and commercialization also return management. The study advises company to communicated the strategy maps and strategic objectives clearly to the employee of the corporate structure also conduct performance measurement for financial perspective, customer perspective and supply chain management processes as internal process perspective on a regular basis to identify the weaknesses of the company and determine initiatives action for continuous improvement."

"Tuberkulosis (TB), yang disebabkan oleh Mycobacterium tuberculosis, terus menjadi salah satu penyebab utama kematian di dunia. Deteksi TB dapat dilakukan melalui analisis citra X-Ray dada (CXR), dan berbagai penelitian telah memanfaatkan kecerdasan buatan (AI) untuk mengotomasi serta meningkatkan proses diagnostik. Namun, pendekatan yang ada sering kali hanya berfokus pada deteksi lesi secara parsial atau tidak lengkap, tanpa menyediakan solusi komprehensif untuk klasifikasi multi-label dan multi-kelas dari seluruh spektrum anomali yang terkait TB. Penelitian ini mengembangkan model Artificial Intelligence (AI) dengan arsitektur SwinTransformer Tiny untuk klasifikasi multi-kelas dan multi-label 14 anomali terkait TB secara lebih efisien. Data yang digunakan terdiri dari 133 citra CXR dari RSUPN Dr. Cipto Mangunkusumo (RSCM) dan 360 citra dari dataset National Institutes of Health (NIH). Ketidakseimbangan data diatasi dengan teknik augmentasi data dan penggunaan customized focal loss. Model ini berhasil mencapai AUC sebesar 0.57, Binary Accuracy 0.869, nilai Loss 0.068, dan nilai Hamming Score 0.514. Dibandingkan dengan beberapa arsitektur lainnya seperti Hybrid CNN & ViT, ConvNeXt Tiny, dan EfficientNetB0, model ini menunjukkan performa AUC terbaik. Dalam kasus klasifikasi multi-label dan multi-kelas seperti ini, AUC menjadi metrik utama yang lebih relevan untuk mengevaluasi keberhasilan model. Mengingat kompleksitas dalam menangani data multi-label dan multi-kelas dengan sampel yang terbatas serta ketidakseimbangan data, skor AUC ini mencerminkan tantangan yang ada dalam tugas ini, bukan kekurangan dari model itu sendiri. Dengan mengklasifikasikan label-label TB yang paling spesifik dalam satu studi AI, penelitian ini menyoroti potensi AI untuk meningkatkan akurasi dan efisiensi dalam mendeteksi anomali terkait TB. Selain itu, model ini dilengkapi dengan penerapan Saliency Map sebagai metode Explainable AI (XAI), yang memberikan interpretasi medis yang lebih jelas terhadap prediksi model.

---

Tuberculosis (TB), caused by Mycobacterium tuberculosis, remains one of the leading causes of death worldwide. TB detection can be performed through Chest X-Ray (CXR) analysis, and various studies have leveraged artificial intelligence (AI) to automate and enhance the diagnostic process. However, existing approaches often focus only on partial or incomplete lesion detection, lacking a comprehensive solution for multi-label and multi-class classification of the full spectrum of TB-related anomalies. This study developed an AI model using the SwinTransformer Tiny architecture for efficient multi-class and multi-label classification of 14 TB-related anomalies. The dataset consisted of 133 CXR images from RSUPN Dr. Cipto Mangunkusumo and 360 images from the NIH dataset. Data imbalance was addressed using data augmentation techniques and customized focal loss. The model achieved an AUC of 0.57, an accuracy of 0.869, a Loss value of 0.068, and Hamming Score value 0.514. Compared to other architectures such as Hybrid CNN & ViT, ConvNeXt Tiny, and EfficientNetB0, this model demonstrated the best AUC performance. In multi-label and multi-class classification tasks like this, AUC is the primary metric for evaluating model performance. Given the complexity of handling multi-label and multi-class data with limited and imbalanced samples, the AUC score reflects the challenging nature of this task rather than any shortcomings of the model itself. By classifying the most specific TB-related labels in a single AI study, this research highlights the potential of AI to improve the accuracy and efficiency of detecting TB-related anomalies. Furthermore, the model is equipped with the implementation of Saliency map as an Explainable AI (XAI) method, providing clearer medical interpretations of the model's predictions."

"Pengelola Museum Nasional Indonesia secara rutin melakukan survei kepuasan publik menggunakan instrumen survei yang diadaptasi dari Service Quality (SERVQUAL). Namun, pengelola museum nasional menghadapi sejumlah tantangan dalam menilai kepuasan publik melalui metode survei tradisional. Untuk itu, penelitian ini bertujuan untuk mengetahui kepuasan dan keluhan pengunjung menggunakan analisis sentimen berbasis aspek dan pemodelan topik pada ulasan Museum Nasional Indonesia di Google Maps. Enam pendekatan machine learning klasik, yaitu Naïve Bayes, Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, dan Extreme Gradient Boosting (XGBoost), digunakan untuk analisis sentimen dengan ekstraksi fitur BoW dan TF-IDF. Penelitian ini menggunakan sejumlah metode pra-pemrosesan data, termasuk penghapusan stopwords, penggunaan stemming dan emoji processing, serta metode sampling SMOTE dan ROS pada data latih yang mengalami ketidakseimbangan kelas. Lima aspek yang digunakan dalam analisis ini berasal dari lima dimensi SERVQUAL: keberwujudan (tangibility), keandalan (reliability), daya tanggap (responsiveness), jaminan (assurance), dan empati (empathy). Evaluasi kinerja model dilakukan dengan membandingkan skor F1 pada eksperimen yang berbeda untuk menentukan skenario terbaik. Setelahnya dilanjutkan dengan pemodelan topik menggunakan metode Latent Dirichlet Allocation (LDA) yang dievaluasi berdasarkan coherence score. Hasil penelitian menunjukkan bahwa XGBoost dengan TF-IDF dan metode resampling SMOTE adalah model dengan kinerja terbaik di semua skenario dengan rata-rata F1-scores antara 89.5% hingga 90.2%. Pemodelan topik LDA menemukan ulasan positif mencakup kenyamanan, kebersihan, harga tiket terjangkau, akses mudah, staf ramah, dan respons cepat. Ulasan negatif mencakup masalah parkir, pencahayaan, koleksi kurang lengkap, teguran petugas keamanan, informasi koleksi kurang, jumlah petugas kurang, dan penutupan layanan tak diketahui.

---

The management of the National Museum of Indonesia routinely conducts public satisfaction surveys using instruments adapted from Service Quality (SERVQUAL). However, they face several challenges in assessing public satisfaction through traditional survey methods. Therefore, this study aims to understand visitor satisfaction and complaints using aspect-based sentiment analysis and topic modeling on Google Maps reviews of the National Museum of Indonesia. Six classical machine learning approaches, namely Naïve Bayes, Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, and Extreme Gradient Boosting (XGBoost), were used for sentiment analysis with BoW and TF-IDF feature extraction. This study employed various data preprocessing methods, including stopword removal, stemming, emoji processing, and SMOTE and ROS sampling methods on imbalanced training data. The five aspects used in this analysis are derived from the five SERVQUAL dimensions: tangibility, reliability, responsiveness, assurance, and empathy. Model performance evaluation was conducted by comparing F1 scores across different experiments to determine the best scenario. This was followed by topic modeling using Latent Dirichlet Allocation (LDA), evaluated based on coherence scores. The results show that XGBoost with TF-IDF and SMOTE resampling methods is the best-performing model across all scenarios, with average F1-scores ranging from 89.5% to 90.2%. LDA topic modeling found that positive reviews include comfort, cleanliness, affordable ticket prices, easy access, friendly staff, and quick response. Negative reviews include parking issues, lighting, incomplete collections, unkind security staff, insufficient collection information, lack of staff, and unknown service closures."