Claim Missing Document
Check
Articles

Found 35 Documents
Search

PELATIHAN ANALISA STATISTIKA DESKRIPTIF DATA KEPENDUDUKAN DENGAN MENGGUNAKAN MICROSOFT EXCEL DI DESA GEDANGAN KECAMATAN SIDAYU KABUPATEN GRESIK Muhammad Athoillah; Wara Pramesti; Elvira Mustikawati P.H
J-ADIMAS (Jurnal Pengabdian Kepada Masyarakat) Vol 8, No 1 (2020)
Publisher : (STKIP) PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/j-adimas.v8i1.1614

Abstract

Data kependudukan merupakan data penting yang menjadi acuan bagi para pemimpin dalam membuat banyak kebijakan, diantanya adalah pemanfaatan alokasi anggaran, perencanaan pembangunan, pelayanan publik, serta pencegahan kriminal dan penegakan hukum. Desa gedangan merupakan desa kecil di daerah kecamatan sidayu, bagian dari Kabupaten Gresik dengan jumlah penduduk lebih kurang 200 jiwa. dengan jumlah tersebut tentunya data kependudukan di desa ini cukup banyak dan rumit, sementara para perangkat desa yang mengelola data tersebut memiliki pengetahuan yang kurang dalam hal pengelolaan data kependudukan tersebut. Oleh karena itu, Program Studi Statistika Universitas PGRI Adi Buana Surabaya menyelenggarakan Pelatihan Analisa Statistika Deskriptif dengan Microsoft Excel untuk meningkatkan pengolahan data kependudukan di desa tersebut. Statistika Deskriptif merupakan bagian dari ilmu statistika yang bertujuan untuk mengorganisasi dan menganalisis data sehingga dapat memberikan gambaran jelas, ringkas dan teratur mengenai suatu keadaan.Kegiatan Pelatihan dilaksanakan di Balai Desa Gedangan dengan peserta yang terdiri dari beberapa golongan, diantaranya perangkat desa, bumdesa, karang taruna, dan beberapa guru PAUD yang dalam keseharian pekerjaannya berhadapan dengan pengelolaan data. Keseluruh kegiatan pengabdian telah terlaksana dengan baik, keberhasilan kegiatan ini diukur dari antusiasme peserta selama kegiatan pelatihan serta hasil evaluasi dan monitoring pasca kegiatan dimana para peserta dapat mengimplementasikan hasil latihannya dengan baik saat bekerja.Kata kunci:Analisa Data, Data Kependudukan, Pengabdian Kepada Masyarakat, Statitika Deskriptif
Identifikasi Berita Hoax Terkait Virus Corona Menggunakan Long Short-Term Memory Rani Kurnia Putri; Muhammad Athoillah
SNHRP Vol. 4 (2022): Seminar Nasional Hasil Riset dan Pengabdian (SNHRP) Ke 4 Tahun 2022
Publisher : LPPM Universitas PGRI Adi Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Coronavirus merupakan salah satu penyakit menular yang merupakan turunan dari virus SARS-CoV-2. Penyebaran virus yang begitu cepat dan masif menjadikan coronavirus seketika merubah wajah dunia dalam berbagai sektor seperti ekonomi, politik, bahkan pendidikan. Hal ini tentunya menjadikan virus ini sebagai object utama dalam berbagai headline berita. Ironisnya, dengan masifnya berita yang bermunculan tidak semua berita tersebut adalah berita yang benar. Kominfo dalam laman resminya mencatat bahwa sepanjang 2021-2022 telah ditemukan 2.154 berita hoax terkait dengan isu coronavirus. Dalam penelitian ini dibangun sebauh sistem yang mampu mengidentifikasi berita hoax atau buka hoax terkait dengan isu coronavirus dengan menggunakan algoritma Long Short-Term Memory (LSTM). Jaringan LSTM adalah jenis jaringan saraf berulang (Recurrent Neural Networks) yang termasuk dalam area kompleks deep learning, algoritma ini yang mencoba meniru cara otak manusia beroperasi dan mengungkap hubungan mendasar dalam data sekuensial yang diberikan. Hasil dari penelitian menunjukkan nilai rata-rata yang didapat adalah 51,09 persen untuk nilai presisi, 51,00 persen untuk nilai Recall sama dengan perhitungan hasil Akurasi dan 50,41 persen untuk nilai F-Measure. hasil ini mengindikasikan walaupun secara nilai hasilnya masih dikatakan kurang baik, namun secara konsistensi hasil identifikasi ini bisa dikatakan sangat baik jika dilihat dari nilai setiap uji coba tidak lebih dari 5 digit dari keseluruhan data yang diuji dengan skema k-fold cross validation.
Optimalisasi Kualitas Pendidikan Provinsi Nusa Tenggara Timur: Klasterisasi Kabupaten Dan Kota Menggunakan Algoritma K-Means Dengan Metode Elbow Dan Shilluette Score Maria Hernita Elvine Pramesty; Yohanita Uniyatri Aprilia; Rezky Bryan Jonfris Purba; Muhammad Athoillah
SNHRP Vol. 5 (2023): Seminar Nasional Hasil Riset dan Pengabdian (SNHRP) Ke 5 Tahun 2023
Publisher : LPPM Universitas PGRI Adi Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Permasalahan pada dunia pendidikan di Indonesia sudah menjadi isu utama selama bertahuntahun. Di mata dunia, pendidikan Indonesia masih memiliki kualitas yang rendah. Hal ini disebabkan oleh ketidakmerataan akses pendidikan di berbagai daerah, termasuk di Provinsi Nusa Tenggara Timur. Untuk menentukan daerah mana yang membutuhkan perhatian ekstra, diperlukan sebuah studi untuk memetakan kualitas pendidikan berdasarkan indikator-indikator penyusunnya. Sehingga, penelitian ini bertujuan untuk mengelompokkan kabupaten dan kota berdasarkan indikator kualitas pendidikan di Provinsi Nusa Tenggara Timur menggunakan kmeans. K-means adalah jenis analisis pengelompokan yang mengelompokkan data ke dalam beberapa kelompok berdasarkan kemiripan fitur atau karakteristiknya. Berdasarkan temuan studi ini, terdapat dua cluster dengan menggunakan metode elbow dan shilluette dari pengelompokkan 21 kabupaten dan 1 kota di Provinsi NTT berdasarkan indikator kualitas pendidikan, seperti Angka Partisipasi Murni, pendidikan terakhir, Angka Partisipasi Kasar, Angka Partisipasi Sekolah, jumlah sekolah, angka partisipasi sekolah, dan rasio guru dan murid. Cluster 1 beranggotan 6 kabupaten dan kota dan merupakan daerah dengan kualitas pendidikan tinggi. Sedangkan, cluster 2 beranggotan 6 dan merupakan daerah dengan kualitas pendidikan rendah.
Deteksi Penggunaan Masker Wajah Dengan Algoritma Deep Learning Rani Kurnia Putri; Muhammad Athoillah; Arina Haqiqiyah; Fina Wahyu Ananda Lestari
SNHRP Vol. 5 (2023): Seminar Nasional Hasil Riset dan Pengabdian (SNHRP) Ke 5 Tahun 2023
Publisher : LPPM Universitas PGRI Adi Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Keahlian Machine Learning dalam mengolah dan menganalisis data dengan cepat dan akurat, serta menghasilkan informasi yang bermanfaat dan relevan bagi pengguna, menjadi penyebab utama popularitasnya. Salah satu algoritma Machine Learning yang sering digunakan adalah Deep Learning (DL). DL bekerja dengan cara merepresentasikan data dalam lapisan-lapisan pembelajaran untuk memberikan representasi yang lebih berarti. Istilah "Deep" dalam Deep Learning mengindikasikan bahwa algoritma ini menggunakan lapisan lapisan representasi secara berurutan. Penelitian ini bertujuan untuk memberikan referensi baru tentang pengembangan sistem dan analisis hasil identifikasi masker wajah menggunakan algoritma Deep Learning. Dari hasil penelitian yang dilakukan, diketahui bahwa model ini mampu mengenali wajah dengan baik. Hal ini dibuktikan dengan nilai rata-rata spesifisitas sebesar 93,60 persen, nilai rata-rata presisi sebesar 93,86 persen, dan nilai rata-rata sensitivitas atau recall sebesar 95,40 persen. Selain itu, model ini juga menunjukkan tingkat akurasi yang memadai secara keseluruhan, dengan rata-rata akurasi mencapai 94,50 persen.
Klasterisasi Kabupaten Kota di Jawa Timur Berdasarkan Kualitas Ketenagakerjaan Menggunakan K Means Novi Rahmawati; Faldianus Karno; Rezky Bryan Jonfris Purba; Muhammad Athoillah
SNHRP Vol. 5 (2023): Seminar Nasional Hasil Riset dan Pengabdian (SNHRP) Ke 5 Tahun 2023
Publisher : LPPM Universitas PGRI Adi Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Ketenagakerjaan merupakan bagian integral dari kehidupan ekonomi dan sosial suatu negara, dengan tujuan menciptakan lingkungan kerja yang adil, produktif, aman, dan berkelanjutan bagi pekerja dan perusahaan. mengklasifikasikan kabupaten dan kota ke dalam kelompok-kelompok berdasarkan kualitas ketenagakerjaan, pemerintah dapat mengidentifikasi daerah-daerah yang memerlukan perhatian khusus, seperti daerah dengan tingkat pengangguran yang tinggi atau rendahnya akses pendidikan.Metode yang cocok digunakan adalah Algoritma K-means. sasi adalah proses pembagian satu set objek data ke dalam kelompok-kelompok yang disebut klaster, objek yang berada dalam satu klaster memiliki karakteristik yang serupa satu sama lain dan berbeda dengan klaster lainnya. Dalam penelitian ini, analisis data dilakukan menggunakan software Python. Penelitian ini menggunakan variabel pencari kerja terdaftar, TPT, Angkatan Kerja, dan gaji pegawai formal untuk menganalisis kualitas ketenagakerjaan di Jawa Timur. Metode klasterisasi K-Means digunakan untuk mengelompokkan observasi berdasarkan variabel-variabel tersebut. Melalui metode elbow dan metode silhouette, jumlah klaster optimal ditentukan menjadi 2. Hasil klasterisasi menunjukkan bahwa cluster 2 berisi provinsi-provinsi dengan kualitas ketenagakerjaan yang kurang baik, ditandai dengan tingginya jumlah pencari kerja, TPT, dan Angkatan Kerja meskipun rata-rata upah pekerja formal lebih tinggi. Cluster 1, di sisi lain, berisi provinsi-provinsi dengan kualitas ketenagakerjaan yang baik, dengan tingkat pengangguran yang rendah meskipun rata-rata upah pekerja formal lebih rendah. Cluster 2 dapat berpotensi mengancam perekonomian Jawa Timur di masa bonus demografi karena tingginya tingkat pengangguran, sedangkan cluster 1 memiliki potensi lebih baik karena tingkat pengangguran yang rendah.
Pengenalan Wajah Menggunakan SVM Multi Kernel dengan Pembelajaran yang Bertambah Muhammad Athoillah
JOIN (Jurnal Online Informatika) Vol 2 No 2 (2017)
Publisher : Department of Informatics, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/join.v2i2.109

Abstract

Pengenalan wajah secara otomatis merupakan sebuah kebutuhan yang memiliki peran penting dalam kehidupan masyarakat saat ini. Pada dasarnya masalah pengenalan wajah dapat di pecahkan dengan menggunakan algoritma atau metode klasifikas, salah satunya adalah Support Vector Machine (SVM). Walaupun sangat baik dalam menyelesaikan permasalahan klasifikasi, SVM hanya dapat digunakan pada data yang bersifat linear saja, sehingga untuk dapat digunakan pada data non-linear maka SVM dimodifikasi dengan menggunakan fungsi kernel. Sulitnya menemukan fungsi kernel yang sesuai dengan karakteristik data yang dipakai membuat para peneliti melakukan pengembangan dengan menggunakan kombinasi dari beberapa kernel atau disebut Multi kernel. Pada penelitian ini dibangun sebuah sistem pengenalan wajah yang berbasis SVM multi kernel dengan metode pembelajaran yang bertambah, artinya apabila terjadi penambahan data atau informasi baru tidak harus menghapus pengetahuan yang lalu dan mengulang pembelajarannya dari awal. Sehingga pembelajaran sistem yang dibangun lebih dinamis. Hasil yang didapat pada penelitian ini menunjukkan bahwa sistem yang dibangun dapat mengenali wajah manusia dengan baik, hal ini dibuktikan dengan nilai rata-rata keseluruhan  akurasi yang mencapai 89%, kemudian nilai precision 41.67% serta nilai recall sebesar 47.67%. Hasil penelitian juga menunjukkan bahwa dengan metode pembelajaran yang bertambah, sistem hanya membutuhkan waktu selama 6.4853 detik secara rata-rata pada keseluruhan uji coba.
IDENTIFIKASI JENIS KENDARAAN BERMOTOR DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORKS Muhammad Athoillah; Rani Kurnia Putri
VARIANCE: Journal of Statistics and Its Applications Vol 5 No 2 (2023): VARIANCE: Journal of Statistics and Its Applications
Publisher : Statistics Study Programme, Department of Mathematics, Faculty of Mathematics and Natural Sciences, University of Pattimura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30598/variancevol5iss2page109-116

Abstract

Deteksi jenis kendaraan bermotor memainkan peran sentral dalam pengaturan lalu lintas, penegakan hukum, keamanan, dan sistem transportasi pintar. Dengan kemampuan luar biasa dalam mendeteksi dan mengklasifikasikan kendaraan dengan akurat, pihak berwenang dapat mengoptimalkan waktu sinyal lalu lintas, pengelolaan jalur, dan aliran lalu lintas secara efisien. Deteksi jenis kendaraan juga memberikan dukungan penting dalam penegakan peraturan lalu lintas dan memverifikasi kepatuhan kendaraan terhadap batasan tertentu, termasuk jalur kendaraan bersama, tol, dan peraturan parkir. Di sisi keamanan, teknologi ini berperan krusial dalam mengidentifikasi kendaraan mencurigakan, mencegah ancaman, dan meningkatkan keselamatan di area sensitif. Salah satu pendekatan populer dalam mendukung sistem deteksi jenis kendaraan bermotor otomatis adalah menggunakan algoritma deep learning, khususnya Convolutional Neural Network (CNN). Dengan kemampuannya mengenali pola dan fitur pada citra kendaraan menggunakan struktur jaringan syaraf tiruan, CNN mampu memberikan hasil yang luar biasa. Penelitian ini bertujuan mengembangkan sistem otomatis deteksi jenis kendaraan bermotor dengan menggunakan algoritma CNN. Hasil penelitian menunjukkan kinerja yang sangat baik, dengan rata-rata presisi sebesar 97,00%, sensitivitas/recall sebesar 97,60%, spesifisitas sebesar 97,59%, dan akurasi sebesar 97,30%.
SUPPORT VECTOR MACHINE UNTUK IDENTIFIKASI BERITA HOAX TERKAIT VIRUS CORONA (COVID-19) Rani Kurnia Putri; Muhammad Athoillah
Jurnal Informatika: Jurnal Pengembangan IT Vol 6, No 3 (2021): JPIT, September 2021
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v6i3.2489

Abstract

Covid-19 atau biasa disebut Virus Corona, merupakan virus hasil dari evolusi virus sejenis yaitu MERS-Cov dan SARS-CoV yang pertama kali diketahui muncul di kota Wuhan, salah satu kota metropolitan terbesar di Cina pada 31 Desember 2019 dan telah memakan jutaan korban selama tahun 2020. Disepanjang tahun tersebut tentunya Covid-19 menjadi bahasan utama di berbagai media berita, baik di Indonesia maupun dunia. Ironisnya, dengan banyaknya berita yang beredar, tidak sedikit berita yang muncul adalah berita hoax atau berita tidak dapat dipertanggungjawabkan kebenarannya. Identifikasi berita hoax di dunia maya sebenarnya telah dilakukan oleh komunitas internet dan dipublikasikan pada laman turnbackhoax.id. Hanya saja, metode identifikasi yang dilakukan pada laman tersebut masih dilakukan secara manual, sehingga jika informasi semakin berkembang dan banyak, tentunya akan semakin sulit dan merepotkan. Identifikasi berita hoax secara otomatis dapat dikategorikan ke dalam masalah klasifikasi yang tentunya dapat di selesaikan dengan berbagai macam algoritma, diantanya Support Vector Machine (SVM). Algoritma SVM mendefinisikan terlebih dahulu batas antar kelas dengan jarak optimal yang didapat dari data terdekat dengan cara mengukur margin hyperplane antar kelas sehingga pemisahan kelas yang dihasilkan menjadi lebih baik. Pada penilitian ini telah dibangun sebuah sistem otomatis yang dapat mengidentifikasi berita yang termasuk dalam kategori hoax atau tidak dengan memanfaatkan algoritma SVM yang selanjutnya proses validasinya dilakukan dengan metode k-fold cross validation. Hasil penelitian memperlihatkan bahwa sistem yang dibangun mampu mengidentifikasi berita dengan baik, dibuktikan dengan rata-rata nilai Presisi, Recall dan F-Measure secara berturut adalah 78,96%, 78,18% dan 78,02%.
Pengenalan Statistika dan Aplikasinya pada Big Data bagi Siswa SMA Kristen Anak Panah Nabire Muhammad Athoillah; Fenny Fitriani; Intan Amelia Haryanto; Putri Amelia Divaio
Seminar Nasional Hasil Riset dan Pengabdian Vol. 6 (2024): Seminar Nasional Hasil Riset dan Pengabdian (SNHRP) Ke 6 Tahun 2024
Publisher : LPPM Universitas PGRI Adi Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Big data dan penerapannya merupakan bidang ilmu yang sangat penting bagi pelajar saat ini, mengingat dampak besar yang dimilikinya terhadap kehidupan sehari-hari. Untuk itu, Tim Dosen S1 Statistika Universitas PGRI Adi Buana Surabaya menyelenggarakan kegiatan pengabdian masyarakat dengan judul "Pengenalan Statistika dan Aplikasinya pada Big Data" untuk siswa SMA Kristen Anak Panah Nabire. Tujuan kegiatan ini adalah memberikan pemahaman yang mendalam kepada peserta mengenai perkembangan teknologi big data dalam konteks saat ini. Kegiatan ini dimulai dengan tahap persiapan yang meliputi observasi lapangan dan penyusunan materi serta logistik yang diperlukan. Sedangkan pelaksanaan kegiatan dilakukan secara dering melalui platform zoom dengan fokus pada pemahaman konsep dasar statistika, pengenalan big data, dan cara aplikasinya dalam berbagai bidang. Evaluasi hasil kegiatan menunjukkan bahwa webinar terlaksana dengan baik, dengan tingkat antusiasme peserta yang tinggi ditambah dengan hasil post-test yang menunjukkan rata-rata nilai 80persen, yang menandakan bahwa peserta dapat memahami materi yang disampaikan dengan sangat baik
ANALISIS SENTIMEN DI TWITTER TERHADAP KENAIKAN UANG KULIAH TUNGGAL MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN) Achmad Chikham Nouriel Rosyadi; Katarina Rosa Leonida; Muhammad Athoillah; Hani Brilianti Rohmanto
Seminar Nasional Hasil Riset dan Pengabdian Vol. 6 (2024): Seminar Nasional Hasil Riset dan Pengabdian (SNHRP) Ke 6 Tahun 2024
Publisher : LPPM Universitas PGRI Adi Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Artificial Neural Network (ANN), khususnya metode Single Layer Perceptron (SLP), telah menunjukkan efektivitas dalam klasifikasi teks cepat dan akurat. Penelitian ini mengaplikasikan SLP untuk menganalisis sentimen masyarakat terhadap kenaikan UKT di Twitter. Hasil menunjukkan performa model yang baik dengan rata-rata akurasi, presisi, recall, dan F1-score sebesar 84%. Ini mengindikasikan kemampuan SLP yang cukup baik dalam mengklasifikasikan sentimen terhadap kebijakan Kemendikbud terkait kenaikan UKT. Penelitian menyimpulkan bahwa peningkatan jumlah data dapat lebih mengoptimalkan kinerja model dalam proses training dan meningkatkan akurasi prediksi pada data testing. Kata kunci: Single Layer Perceptron, Confusion Matrix, Kemendikbud,