Publikasi Akademik

Sentiment analysis on multi-platform big data in Indonesia presents a complex challenge, particularly in optimizing sentiment classification with higher granularity. This study develops and optimizes a Fine-Grained Sentiment Analysis model based on Indonesian Bidirectional Encoder Representations from Transformers (IndoBERT) to analyze public opinion on ChatGPT. The method is applied to big data collected from various social media platforms to improve accuracy and precision in identifying a broader spectrum of sentiments, including highly positive, positive, neutral, negative, and highly negative categories. A comparative analysis is conducted on different base models, including BERT, RoBERTa, and IndoBERT, to determine the most effective approach. Experimental results show that the optimized IndoBERT model achieves 96% accuracy and outperforms other models in terms of precision and F1-score across all sentiment categories. The study also evaluates computational efficiency and adaptability to diverse data, demonstrating that the proposed model can serve as an effective solution for gaining deeper insights into public opinion across digital platforms in Indonesia.

The advent of OpenAI's ChatGPT, a large language model (LLM) proficient in various fields including artificial intelligence (AI) and natural language processing (NLP), has sparked extensive discussions and diverse opinions on social media platforms such as Twitter in Indonesia. This research aims to explore these dynamics by mapping both praises and criticisms related to ChatGPT's technological advancements and potential negative impacts. Utilizing deep learning-based sentiment analysis techniques, the study applies Convolutional Neural Network (CNN) and Fast Region-based Convolutional Neural Network (Fast R-CNN) models to a dataset of 7,604 tweets categorized into Positive, Negative, and Neutral sentiments. The methodology covers data collection from Twitter, data cleaning and pre-processing, followed by model training and evaluation. The results show that the Fast R-CNN model outperforms the CNN model, achieving an accuracy of 94.5% compared to 86% for CNN. These findings underscore the effectiveness of Fast R-CNN for sentiment analysis in the Indonesian context and highlight its potential to support more informed strategies for addressing the opportunities and challenges posed by AI technologies like ChatGPT.

SMAS Wiyata Dharma adalah sekolah di Kota Medan yang berdiri sejak tahun 1985 dan telah terakreditasi A. Selain pelajaran kurikulum umum, sekolah ini juga memberikan pembelajaran ilmu komputer untuk mempersiapkan siswa menghadapi dunia kerja. Salah satu materi yang diberikan adalah pengembangan aplikasi mobile dengan Flutter, bahasa pemrograman yang dikembangkan oleh Google. Melalui kolaborasi dengan Universitas Mikroskil, siswa SMAS Wiyata Dharma dibekali keterampilan membuat aplikasi mobile menggunakan Flutter secara kolaboratif. Kegiatan pelatihan berlangsung selama dua hari di laboratorium komputer Universitas Mikroskil dan mencakup pre-test, penyampaian materi dan studi kasus, post-test, serta pengisian feedback di akhir pelatihan. Hasil pre-test dan post-test menunjukkan adanya peningkatan pemahaman siswa, dan feedback yang dikumpulkan mengindikasikan bahwa seluruh siswa menilai pelatihan sesuai dengan harapan mereka.

This study focuses on forecasting climate change patterns to improve rice harvest as part of efforts to support a green economy. Support Vector Regression (SVR) is employed to model the complex, non-linear relationships between climate variables and rice production. By leveraging historical climate data and rice yield records, the proposed approach aims to provide more accurate predictions that can help stakeholders optimize agricultural planning and mitigate the negative impacts of climate variability.

The use of information technology to support the teaching and learning process is considered important and necessary. Not only teachers but also students are required to have the ability to use and leverage information technology in order to meet digital literacy competencies and compete globally. At SMA Methodist 6 Medan, this community service activity aims to improve students' understanding in creating learning content using Canva and Wondershare Filmora tools. Supported by adequate facilities and infrastructure, students are able to utilize technology to support the learning process. The activity was conducted over two days in the school laboratory with 43 participating students. Evaluation using pre-test and post-test showed an 80% increase in scores related to the use of Canva and a 60% increase related to the use of Wondershare Filmora, indicating significant improvement in students' skills.

Di era digital saat ini, keefektifan sistem presensi online berbasis mobile menjadi krusial bagi perusahaan dalam meningkatkan efisiensi dan akurasi pengelolaan kehadiran karyawan. CV. Global Mandiri sebagai perusahaan penyedia barang dan jasa di Medan menghadapi tantangan pada sistem presensi konvensional yang rentan kecurangan dan inefisiensi. Penelitian ini bertujuan mengembangkan aplikasi presensi online berbasis mobile yang mengintegrasikan teknologi geolocator dan face recognition. Pengembangan dilakukan dengan pendekatan System Development Life Cycle (SDLC) metode Waterfall melalui tahapan pengumpulan data, analisis proses, analisis kebutuhan, perancangan, dan implementasi. Analisis proses dilakukan melalui wawancara terstruktur dengan pemilik perusahaan, bagian kepegawaian, dan karyawan, serta pemodelan menggunakan activity diagram dan fishbone untuk mengidentifikasi akar masalah. Hasil pengembangan menunjukkan bahwa aplikasi presensi dengan integrasi geolocator dan pengenalan wajah mampu meningkatkan efisiensi pencatatan kehadiran, mengurangi potensi kecurangan, memvalidasi lokasi dan identitas karyawan secara akurat, serta menghasilkan laporan kehadiran otomatis. Implementasi teknologi ini berkontribusi pada peningkatan akurasi dan keandalan data kehadiran karyawan serta menjaga integritas sistem presensi perusahaan.

This research is grounded in the emergence of ChatGPT technology and prior studies showing non-convergent classification results in LSTM-based methods due to suboptimal hyperparameter settings and limitations in understanding Big Data text. While ChatGPT provides many benefits, it also raises concerns such as copyright infringement, unauthorized news extraction, and accountability issues. This study aims to optimize sentiment analysis classification of public opinion toward ChatGPT on Twitter in Indonesia using the BERT (Bidirectional Encoder Representations from Transformers) model. The research includes a series of Natural Language Processing (NLP) preprocessing steps, after which vectorized text is classified using BERT into positive, negative, and neutral sentiments. The model is evaluated using a confusion matrix, and with Max Sequence Length = 128 and Batch Size = 16, the best classification accuracy achieved is 93.4%, demonstrating that BERT can provide more accurate, convergent, and contextually relevant sentiment analysis on Big Data.

Sistem Penilaian Kinerja Dosen digunakan untuk mengevaluasi kinerja dosen dalam melaksanakan Tridharma Perguruan Tinggi guna meningkatkan kualitas dosen dan mutu perguruan tinggi. Di Universitas Mikroskil, proses penilaian kinerja dosen saat ini masih menggunakan Microsoft Excel, sehingga rentan terhadap kesalahan perhitungan dan risiko kehilangan data yang dapat mengakibatkan keterlambatan pelaporan hasil kinerja. Penelitian ini bertujuan untuk menganalisis dan merancang sistem informasi penilaian kinerja dosen berbasis web yang dapat mencegah kesalahan perhitungan angka kredit berdasarkan pedoman PAK tahun 2019. Metode Waterfall digunakan sebagai pendekatan pengembangan sistem, dimulai dari pengumpulan dan analisis kebutuhan melalui wawancara dan studi literatur, perancangan sistem menggunakan Unified Modeling Language (UML), hingga perancangan prototipe antarmuka dengan Figma. Hasil penelitian berupa rancangan sistem informasi yang memiliki fitur perhitungan angka kredit otomatis, pemantauan status laporan, riwayat, berita, serta kustomisasi penilaian angka kredit yang diharapkan dapat membantu proses penilaian kinerja dosen dan menjadi referensi untuk pengembangan aplikasi yang dapat diimplementasikan.

Pentingnya literasi multimedia dalam editing dan pengambilan video menjadi salah satu kebutuhan utama dalam pendidikan modern. SMA Sutomo 1 Medan menghadapi tantangan dalam mengintegrasikan keterampilan ini ke dalam proses pembelajaran dan media promosi sekolah karena keterbatasan akses terhadap pelatihan dan peralatan yang memadai. Kegiatan pengabdian kepada masyarakat ini bertujuan meningkatkan kemampuan siswa dalam editing video dan pengambilan gambar menggunakan teknologi terkini. Melalui metode pelatihan yang menggabungkan teori dan praktik, siswa dilatih menggunakan Adobe Premiere untuk editing dan smartphone untuk pengambilan gambar. Hasilnya, 25 siswa menunjukkan peningkatan signifikan dalam pemahaman dan keterampilan, dengan rata-rata skor pre-test sekitar 58% dan meningkat menjadi 80 pada post-test (skala 100), serta sekitar 90% siswa mencapai pemahaman yang baik terhadap konsep dan praktik editing video serta pengambilan gambar.

Computational thinking adalah proses berpikir yang melibatkan penyelesaian masalah dengan memetakan persoalan ke dalam konsep dasar ilmu komputer. Kegiatan pengabdian kepada masyarakat ini bertujuan meningkatkan kemampuan berpikir kritis, logis, dan kemampuan problem solving siswa melalui penerapan computational thinking menggunakan Python. Kegiatan dilaksanakan di SMA Swasta Maitreyawira Kisaran dengan melibatkan 18 siswa dan 2 guru selama 2 hari pelatihan. Melalui kombinasi sesi teori dan praktik, peserta diperkenalkan pada konsep-konsep dasar berpikir komputasional dan penerapannya dalam menyelesaikan permasalahan sederhana menggunakan pemrograman Python. Hasil evaluasi menggunakan desain pre-test dan post-test menunjukkan peningkatan pemahaman terhadap computational thinking dari rata-rata 42% menjadi 76%. Namun, beberapa indikator seperti pemahaman abstraksi dan penerjemahan masalah ke dalam kode Python masih perlu ditingkatkan, sehingga diperlukan upaya lanjutan untuk mencapai pemahaman yang lebih komprehensif.

Mika adalah portal akademik yang digunakan oleh Universitas Mikroskil untuk mengakomodasi kebutuhan yang berkaitan dengan data akademik bagi berbagai kelompok pengguna, seperti mahasiswa, dosen, penasihat akademik, BAA, Prodi, hingga Wakil Rektor I. Sebagai salah satu website penting bagi warga kampus Mikroskil, Mika masih dapat dikembangkan lebih lanjut agar menghasilkan UI/UX yang lebih sesuai dengan kebutuhan pengguna. Pengembangan Mika selama ini belum sepenuhnya berorientasi pada pengguna sehingga belum mencapai potensi maksimum. Penelitian ini menggunakan pendekatan Design Thinking yang berpusat pada pengguna untuk merancang ulang UI/UX Mika. Design Thinking terdiri dari tujuh tahapan, yaitu Understand, Observe, Define point of view, Ideate, Prototype, Test, dan Reflect, yang masing-masing dapat menggunakan berbagai tool sesuai kebutuhan dan kondisi, baik secara seri maupun paralel. Hasil penelitian diharapkan menghasilkan rancangan UI/UX Mika yang lebih sesuai dengan kebutuhan pengguna sehingga dapat memaksimalkan potensi portal akademik tersebut.

Bengkel sepeda motor adalah usaha yang melibatkan rangkaian tahapan pekerjaan mulai dari sepeda motor yang masuk untuk ditangani hingga selesai diperbaiki. Dalam proses tersebut terdapat berbagai data yang perlu dicatat dengan baik seperti nomor pelat kendaraan, nomor telepon pelanggan, jenis perbaikan, onderdil yang diganti, ukuran perkakas yang digunakan, dan biaya servis. Bengkel juga melibatkan beberapa peran seperti pemilik bengkel, mekanik, pelanggan, dan supplier onderdil. Kegiatan pengabdian ini dilaksanakan dalam beberapa tahapan, yaitu analisis SWOT mitra, analisis sistem berjalan bengkel, kajian ilmiah mengenai bengkel dan perancangan basis data, serta perancangan basis data untuk mitra. Kegiatan dilakukan selama dua semester, mulai Semester Genap 2021/2022 hingga Semester Ganjil 2022/2023. Hasil kegiatan berupa rancangan ERD (Entity Relationship Diagram) menggunakan Microsoft Visio dengan crow’s foot notation sebagai model yang populer digunakan saat ini. Rancangan ini dapat membantu pihak bengkel jika hendak menerapkan basis data pada DBMS seperti Microsoft Access maupun sebagai dasar pengembangan aplikasi di kemudian hari. Setelah kegiatan dilaksanakan, mitra mengalami peningkatan pemahaman dalam manajemen data dan wawasan mengenai teknologi informasi, yang penting untuk menghadapi persaingan bisnis dan perkembangan zaman yang semakin bergantung pada basis data, komputer, internet, dan teknologi.

SMK Swasta Methodist Tanjung Morawa merupakan salah satu sekolah swasta di bawah Yayasan Methodist Kasih Imanuel Indonesia dengan jurusan Teknik Komputer dan Jaringan (TKJ). Mata pelajaran instalasi jaringan menjadi salah satu materi penting dan menarik bagi siswa, namun aplikasi simulasi jaringan yang dipelajari masih terbatas. Kegiatan pengabdian ini berupa pelatihan instalasi jaringan komputer menggunakan simulasi Cisco untuk meningkatkan kompetensi siswa dalam bidang jaringan komputer. Pelatihan dilaksanakan selama dua hari di laboratorium komputer Universitas Mikroskil, meliputi pre-test, penyampaian materi dan studi kasus, post-test, serta pengisian feedback akhir.

Predicting stock price movements is a complex challenge in the financial market due to unpredictable price fluctuations and high sensitivity levels. Noise in historical stock price data and temporal dependencies between previous and current prices make recognizing price movement patterns difficult. In a dynamic market environment, the model's ability to generate accurate predictions holds significant implications for more informed investment decision-making. The Recurrent Neural Network - Long Short-Term Memory (RNN-LSTM) model holds great potential for stock price prediction because it can capture temporal dependencies, identify non-linear relationships, and decipher complex trends in stock price data. This study employs deep learning techniques with the RNN-LSTM model optimized using Adaptive Moment Estimation (Adam) to enhance stock price prediction accuracy by leveraging historical stock price data and technical factors. Data preprocessing, including handling missing values and data normalization, helps the model navigate the dataset's intricacies. Test results using the Mean Squared Error (MSE) metric show that the model can produce predictions that closely resemble actual stock prices, with a low loss value of 0.109012. The model also exhibits good predictive accuracy, as indicated by a favorable Mean Percentage Error (MPE) score of 1.74% between predicted and actual values. These findings provide valuable implications for assisting investors and financial practitioners in managing complexity and uncertainty within the stock market.

This research delves into the impact of Chat Generative Pre-trained Transformer, one of OpenAI's Generative Pretrained Transformer models trained on a vast corpus of internet text to understand the mechanics of human language. The emergence of ChatGPT has sparked significant debate and attention in research and education, with concerns on platforms like Twitter regarding potential negative consequences such as forgery and misinformation. This study aims to perform sentiment analysis classification of public opinions toward ChatGPT on Twitter in Indonesia, categorizing sentiments into positive, negative, and neutral. In the data clustering stage, the Self-Organizing Map (SOM) technique is used. After text data is weighted and clustered, Long Short-Term Memory (LSTM) is applied as the classification technique to determine public sentiment. Experimental results show that the proposed model, with optimal parameters including ReLU activation, SOM size of 5, and 128 epochs for both SOM and LSTM, achieves an accuracy of 95.07%, demonstrating robust performance for sentiment analysis related to ChatGPT.

Deteksi video deepfake penting dilakukan untuk membedakan antara video asli atau palsu yang menyebabkan disinformasi di era digital sehingga diperlukan tingkat akurasi yang tinggi. Namun, akurasi deteksi video deepfake terbatas oleh jumlah dan kualitas dataset, proses deteksi, dan inkonsisten performance evaluation yaitu model deteksi tidak dapat mengetahui video yang manipulasi dengan tools video editing. Penelitian ini memberikan solusi atas permasalahan ini menggunakan metode Spatiotemporal Convolutional Network dan analisis Photo-Response Non-Uniformity (PRNU). Dataset yang digunakan melalui tahapan pre-processing, ekstraksi video per-frame, deteksi bagian wajah, dan face cropping. Seluruh data dilatih dan dibuat model menggunakan ResNeXt50 dan LSTM. Penelitian ini menghasilkan 10 model yang dilatih menggunakan dataset FaceForensic++, CelebDF, DFDC dan campuran dari dataset tersebut yang kemudian dapat digunakan untuk menganalisis video deepfake. Hasil pengujian menunjukkan proses deteksi deepfake lebih cepat dan akurat dengan tingkat akurasi hingga 97,89%.

PeduliLindungi adalah aplikasi oleh Kementerian Komunikasi dan Informatika (Kominfo) yang digunakan untuk melakukan pelacakan dan menghambat penyebaran Coronavirus Disease (Covid-19) yang terjadi di Indonesia. Berdasarkan beberapa penelitian yang dilakukan oleh penelitian sebelumnya, kepercayaan masyarakat masih minim menerima dan menggunakan PeduliLindungi. Dapat dilihat dari persentase rating buruk sebesar 23% dari total ulasan yang ada pada Google Play dan aplikasi ini masih memiliki beberapa kekurangan yang mempengaruhi tingkat kepuasan penggunanya. Perlu dilakukan evaluasi tingkat usability dengan metode usability testing untuk mengukur aspek Effectiveness, Efficiency, Memorability, Error, dan Satisfaction. Kegiatan pengumpulan data dilakukan dengan menyebarkan kuesioner System Usability Scale kepada 97 responden dan task menggunakan Microsoft Form kepada 20 responden dari mahasiswa/i pada lingkungan Universitas Mikroskil. Pengujian task dilakukan selama 2 sesi. Berdasarkan pengukuran aspek usability didapatkan hasil Effectiveness baik dengan persentase 91,2% dan 93,4% pada sesi I dan sesi II, Efficiency didapatkan peningkatan waktu efisien pada sesi I 0,09 goals/sec dan pada sesi IIÂ sebesar 0,11 goals/sec, Memorability menunjukan hasil yang baik dimana setiap pengerjaan task mengalami penurunan waktu, Error rate tergolong rendah dengan persentase sebesar 8% pada sesi I dan 5% pada sesi II, dan Satisfaction dengan skor 57 mendapat peringkat D yaitu acceptable dan diterima secara marginal. Kemudian terdapat rekomendasi tampilan pada fitur berdasarkan feedback responden yaitu pada fitur pengecekan sertifikat, check-in, dan dark mode.

Merdeka Belajar Kampus Merdeka (MBKM) merupakan kebijakan Kemendikbud RI yang berperan penting dalam menciptakan pembelajaran otonom dan fleksibel, memungkinkan mahasiswa belajar di luar program studi utama. Meski demikian, kebijakan ini menimbulkan pro dan kontra sehingga diperlukan analisis dan evaluasi untuk meningkatkan efektivitasnya melalui umpan balik masyarakat. Penelitian ini melakukan analisis sentimen terhadap kebijakan MBKM menggunakan data tweet pengguna Twitter dari tahun 2020-2022, dengan kata kunci "MBKM", "MSIB", dan "merdeka belajar". Metode Long-Short Term Memory (LSTM) digunakan untuk mengklasifikasi sentimen multiclass pada tweet berbahasa Indonesia ke dalam enam kelas emosi. Proses pengumpulan dan persiapan data meliputi seleksi fitur, penghapusan duplikasi, seleksi tweet, serta pre-processing seperti case folding, tokenizing, pembersihan karakter, normalisasi, dan stemming untuk pembobotan TF-IDF yang mendukung pembuatan model LSTM. Model LSTM yang dihasilkan dan dilatih pada 658 tweet memperoleh akurasi terbaik 80,42%. Sentimen pengguna Twitter terhadap MBKM didominasi oleh perasaan "bingung" (39,51%), diikuti "senang" (16,26%), "sedih" (15,80%), "marah" (13,98%), "takut" (7,29%), dan "terkejut" (7,14%). Hasil ini menegaskan pentingnya penyempurnaan kebijakan MBKM agar pelaksanaan semakin jelas dan mahasiswa lebih nyaman serta memiliki sentimen positif atas program ini.