Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Teknologi dan Bisnis Cerdas

Analisis Perbandingan Employee Wellbeing terhadap Kinerja Pegawai pada Tiga Sektor Industri Tribuana, Dhimas; Usman, Usman; Dayanti, Dayanti
Jurnal Teknologi dan Bisnis Cerdas Vol 1 No 1 (2025): Volume 1 Nomor 1 (Juni 2025)
Publisher : Plexi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64476/jtbc.v1i1.2

Abstract

Penelitian ini bertujuan untuk menganalisis perbedaan tingkat employee wellbeing dan kinerja pegawai pada tiga sektor industri strategis di Kota Makassar, yaitu pendidikan tinggi, kesehatan, dan perbankan. Metode penelitian yang digunakan adalah pendekatan kuantitatif komparatif dengan melibatkan 225 responden, masing-masing 75 pegawai dari setiap sektor. Instrumen penelitian diuji reliabilitasnya menggunakan Cronbach’s Alpha dan dianalisis menggunakan ANOVA satu arah dan uji lanjut Tukey HSD. Hasil penelitian menunjukkan bahwa terdapat perbedaan signifikan dalam tingkat employee wellbeing dan kinerja pegawai antar sektor. Sektor perbankan dan keuangan menunjukkan tingkat kesejahteraan dan kinerja tertinggi, disusul oleh pendidikan tinggi, sementara sektor kesehatan menunjukkan nilai terendah. Temuan ini mengindikasikan bahwa konteks industri memengaruhi kondisi kesejahteraan dan performa kerja pegawai. Implikasi praktis dari penelitian ini memberikan arah penguatan manajemen sumber daya manusia berbasis sektor. Penelitian ini juga memberikan saran untuk pengembangan kajian lebih lanjut yang mempertimbangkan variabel mediasi atau moderasi serta pendekatan metodologi campuran dalam memahami dinamika kerja lintas industri.
Penerapan Natural Language Processing Untuk Analisis Sentimen Terhadap Layanan Publik Di Media Sosial Twitter Tribuana, Dhimas; Usman, Usman; Dayanti, Dayanti
Jurnal Teknologi dan Bisnis Cerdas Vol 1 No 1 (2025): Volume 1 Nomor 1 (Juni 2025)
Publisher : Plexi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64476/jtbc.v1i1.3

Abstract

Penelitian ini bertujuan untuk mengembangkan dan menguji model klasifikasi sentimen publik terhadap layanan BPJS Ketenagakerjaan berdasarkan data media sosial Twitter. Metode yang digunakan adalah pendekatan kuantitatif eksperimental yang terdiri dari lima tahap, yaitu pengumpulan data, pra-pemrosesan teks, pelabelan data, ekstraksi fitur dan pelatihan model, serta evaluasi performa. Data dikumpulkan melalui API Twitter menggunakan kata kunci terkait layanan BPJS Ketenagakerjaan dengan total 4.357 tweet. Setelah pra-pemrosesan dan pelabelan, data bersih sebanyak 4.102 tweet diklasifikasikan ke dalam tiga kategori sentimen: positif, negatif, dan netral. Dua pendekatan representasi teks digunakan, yaitu TF-IDF dan IndoBERTweet embedding, yang kemudian diuji dengan algoritma pembelajaran mesin seperti Naive Bayes, SVM, Random Forest, dan Logistic Regression. Hasil penelitian menunjukkan bahwa model IndoBERTweet + Logistic Regression memberikan performa terbaik dengan akurasi 86,5% dan F1-score 85,6%. Temuan ini menegaskan efektivitas pretrained language models dalam memahami bahasa Indonesia informal di media sosial. Model yang dikembangkan memiliki potensi untuk digunakan sebagai sistem pemantauan opini publik secara real-time guna meningkatkan kualitas layanan BPJS Ketenagakerjaan. Penelitian selanjutnya disarankan mengeksplorasi penanganan sarkasme dan dataset multi-platform untuk meningkatkan generalisasi model.
Deteksi Sampah Otomatis Pada Lingkungan Terbuka Menggunakan YOLOV8 Dan Dataset Roboflow Tribuana, Dhimas; Usman, Usman; Dayanti, Dayanti
Jurnal Teknologi dan Bisnis Cerdas Vol 1 No 1 (2025): Volume 1 Nomor 1 (Juni 2025)
Publisher : Plexi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64476/jtbc.v1i1.4

Abstract

Peningkatan volume sampah di ruang publik menuntut solusi cerdas untuk mendeteksi dan mengelola kebersihan secara efisien. Penelitian ini bertujuan untuk mengembangkan sistem deteksi sampah otomatis berbasis model deteksi objek YOLOv8 dengan fokus pada lima kategori sampah: plastik, kertas, logam, kaca, dan lainnya. Dataset diperoleh dari platform Roboflow, kemudian dianotasi secara manual dan digunakan untuk melatih dua varian model YOLOv8, yaitu YOLOv8s dan YOLOv8l. Hasil pelatihan menunjukkan bahwa YOLOv8l mencapai mAP@0.5 sebesar 93,1% dan F1-score 91,1%, sementara YOLOv8s memberikan kecepatan inferensi lebih tinggi dengan akurasi yang kompetitif. Evaluasi lapangan terbatas dilakukan menggunakan kamera laptop dan smartphone di lingkungan terbuka seperti taman dan trotoar. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi sampah secara real-time dengan tingkat akurasi visual yang baik, meskipun terdapat penurunan performa pada objek kecil atau tertutup sebagian. Studi ini menunjukkan potensi besar model YOLOv8 dalam mendukung pengembangan sistem monitoring lingkungan berbasis visi komputer. Ke depan, integrasi ke perangkat edge dan pelatihan ulang dengan data lokal direkomendasikan untuk meningkatkan ketahanan model dalam kondisi nyata.