Claim Missing Document
Check
Articles

Found 5 Documents
Search

APPLICATION OF THE K-MEANS METHOD FOR GROUPING COMMUNITY WELFARE LEVELS IN CENTRAL JAVA PROVINCE Hidayat, Taufik; Handayani, Yuni; Novitaningrum, Dian
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 1 (2024): Desember 2024
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i1.3602

Abstract

Abstract: Welfare is one of the things that determines the progress of a region, to achieve the welfare of its people, especially in the economic sector, a technique is needed to measure welfare that continues to change. This study aims to analyze the differences in the level of community welfare in Central Java Province by grouping regions based on several indicators. Grouping is done using data from various sources that include the main indicators of welfare. The method used in this study uses the K-Means data mining algorithm to group regional data according to their level of welfare. The results of the analysis divide the regions into three categories: Medium Welfare Level, which includes Banyumas, Purworejo, Boyolali, Klaten, Sukoharjo, Karanganyar, Sragen, Kudus, Jepara, Demak, Semarang, Kendal, and Pekalongan City and Tegal City, High Welfare Level, consisting of Magelang City, Surakarta City, Salatiga City, and Semarang City; and Low Welfare Level, covering Cilacap, Purbalingga, Banjarnegara, Kebumen, Wonosobo, Magelang, Wonogiri, Grobogan, Blora, Rembang, Pati, Temanggung, Batang, Pekalongan, Pemalang, Tegal, and Brebes Regencies. The findings show that the C2 region has a longer average length of schooling, higher per capita expenditure, and better HDI, reflecting a higher quality of life. This study provides an overview of welfare inequality in Central Java Province and suggests the need for more focused policies to improve the quality of life in each category of region.         Keywords: clustering; k-means; welfare Abstrak: Kesejahreraan merupakan salah satu hal yang menentukan kemajuan suatu wilayah, untuk mencapai kesejahteraan masyarakatnya terutama di bidang ekonomi di perlukan teknik untuk mengukur kesejahteraan yang terus berubah, Penelitian ini bertujuan untuk menganalisis perbedaan tingkat kesejahteraan masyarakat di Provinsi Jawa Tengah dengan mengelompokkan wilayah berdasarkan beberapa indikator. Pengelompokan dilakukan menggunakan data dari berbagai sumber yang mencakup indikator-indikator utama kesejahteraan. Metode yang di gunakan dalam penelitian ini menggunakan algoritma data mining K-Means untuk mengelompokkan data wilayah menurut tingkat kesejahteraannya. Hasil analisis membagi wilayah menjadi tiga kategori: Tingkat Kesejahteraan Sedang, yang mencakup Kabupaten Banyumas, Purworejo, Boyolali, Klaten, Sukoharjo, Karanganyar, Sragen, Kudus, Jepara, Demak, Semarang, Kendal, serta Kota Pekalongan dan Kota Tegal, Tingkat Kesejahteraan Tinggi, terdiri dari Kota Magelang, Kota Surakarta, Kota Salatiga, dan Kota Semarang; dan Tingkat Kesejahteraan Rendah, mencakup Kabupaten Cilacap, Purbalingga, Banjarnegara, Kebumen, Wonosobo, Magelang, Wonogiri, Grobogan, Blora, Rembang, Pati, Temanggung, Temuan menunjukkan bahwa wilayah C2 memiliki rata-rata lama sekolah yang lebih panjang, pengeluaran per kapita yang lebih tinggi, dan IPM yang lebih baik, mencerminkan kualitas hidup yang lebih tinggi. Penelitian ini memberikan gambaran tentang ketidakmerataan kesejahteraan di Provinsi Jawa Tengah dan menyarankan perlunya kebijakan yang lebih terfokus untuk meningkatkan kualitas hidup di setiap kategori wilayah. Kata Kunci: clustering; k-means;  kesejahteraan
DEVELOPMENT OF HUMAN COMPUTER INTERACTION IN THE EDUCATION SECTOR: SYSTEMATIC LITERATURE REVIEW Novitaningrum, Dian; Khozin, Muhammad; Handayani, Yuni; Hidayat, Taufik
JURNAL TEKNISI Vol 5, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/teknisi.v5i1.2784

Abstract

Abstract: Rapid technological developments have had a significant impact on various sectors, including education, where Human Computer Interaction (HCI) plays a role in increasing the effectiveness of technology-based learning. However, there are still challenges in the implementation of HCI, such as interface design, infrastructure, and user engagement. This study aims to evaluate the application of HCI in education by reviewing technologies such as chatbots, e-learning, Augmented Reality (AR), Virtual Reality (VR), Artificial Intelligence (AI), and the use of PowerPoint to support learning. Using the Systematic Literature Review (SLR) method based on journals published in 2020-2024 from Google Scholar, the results of the study show that chatbots increase communication efficiency and access to information, while AR and VR-based learning media help understand concepts, especially for students with special needs. The e-learning system designed with HCI principles provides an interactive and user-friendly learning experience, although there are still obstacles such as limited infrastructure and lack of training for educators. In addition, the use of AI in learning media has great potential in increasing engagement and quality of learning. Therefore, this study emphasizes the importance of user-oriented interface design, strengthening technological infrastructure, and collaboration between stakeholders to support more optimal implementation of IMK in the world of education.Keyword: human and computer interaction (HCI); artificial intelligence (AI); augmented reality (AR); education. Abstrak: Perkembangan teknologi yang pesat telah memberikan dampak signifikan di berbagai sektor, termasuk pendidikan, di mana Interaksi Manusia dan Komputer (IMK) berperan dalam meningkatkan efektivitas pembelajaran berbasis teknologi. Namun, masih terdapat tantangan dalam implementasi IMK, seperti desain antarmuka, infrastruktur, dan keterlibatan pengguna. Penelitian ini bertujuan untuk mengevaluasi penerapan IMK dalam pendidikan dengan meninjau teknologi seperti chatbot, e-learning, Augmented Reality (AR), Virtual Reality (VR), Artificial Intelligence (AI), serta penggunaan PowerPoint dalam mendukung pembelajaran. Menggunakan metode Systematic Literature Review (SLR) berdasarkan jurnal terbitan 2020-2024 dari Google Scholar, hasil penelitian menunjukkan bahwa chatbot meningkatkan efisiensi komunikasi dan akses informasi, sementara media pembelajaran berbasis AR dan VR membantu pemahaman konsep, terutama bagi siswa berkebutuhan khusus. Sistem e-learning yang dirancang dengan prinsip IMK memberikan pengalaman belajar yang interaktif dan ramah pengguna, meskipun masih ditemukan kendala seperti keterbatasan infrastruktur dan kurangnya pelatihan bagi tenaga pendidik. Selain itu, pemanfaatan AI dalam media pembelajaran memiliki potensi besar dalam meningkatkan keterlibatan dan kualitas pembelajaran. Oleh karena itu, penelitian ini menekankan pentingnya desain antarmuka yang berorientasi pada pengguna, penguatan infrastruktur teknologi, serta kolaborasi antar pemangku kepentingan guna mendukung implementasi IMK yang lebih optimal dalam dunia pendidikan.Kata kunci: interaksi manusia dan komputer (IMK); artificial intelligence (AI); augmented reality (AR); pendidikan.
Liquefied Petroleum Gas (LPG) Leak Detection Mitigation System with MQ-6 Sensor based on the Internet of Things (IoT) Novitaningrum, Dian; Handayani, Yuni; Hidayat, Taufik
Innovation in Research of Informatics (Innovatics) Vol 7, No 2 (2025): September 2025
Publisher : Department of Informatics, Siliwangi University, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37058/innovatics.v7i2.16705

Abstract

APPLICATION OF THE K-MEANS METHOD FOR GROUPING COMMUNITY WELFARE LEVELS IN CENTRAL JAVA PROVINCE Hidayat, Taufik; Handayani, Yuni; Novitaningrum, Dian
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 11 No. 1 (2024): Desember 2024
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i1.3602

Abstract

Abstract: Welfare is one of the things that determines the progress of a region, to achieve the welfare of its people, especially in the economic sector, a technique is needed to measure welfare that continues to change. This study aims to analyze the differences in the level of community welfare in Central Java Province by grouping regions based on several indicators. Grouping is done using data from various sources that include the main indicators of welfare. The method used in this study uses the K-Means data mining algorithm to group regional data according to their level of welfare. The results of the analysis divide the regions into three categories: Medium Welfare Level, which includes Banyumas, Purworejo, Boyolali, Klaten, Sukoharjo, Karanganyar, Sragen, Kudus, Jepara, Demak, Semarang, Kendal, and Pekalongan City and Tegal City, High Welfare Level, consisting of Magelang City, Surakarta City, Salatiga City, and Semarang City; and Low Welfare Level, covering Cilacap, Purbalingga, Banjarnegara, Kebumen, Wonosobo, Magelang, Wonogiri, Grobogan, Blora, Rembang, Pati, Temanggung, Batang, Pekalongan, Pemalang, Tegal, and Brebes Regencies. The findings show that the C2 region has a longer average length of schooling, higher per capita expenditure, and better HDI, reflecting a higher quality of life. This study provides an overview of welfare inequality in Central Java Province and suggests the need for more focused policies to improve the quality of life in each category of region.         Keywords: clustering; k-means; welfare Abstrak: Kesejahreraan merupakan salah satu hal yang menentukan kemajuan suatu wilayah, untuk mencapai kesejahteraan masyarakatnya terutama di bidang ekonomi di perlukan teknik untuk mengukur kesejahteraan yang terus berubah, Penelitian ini bertujuan untuk menganalisis perbedaan tingkat kesejahteraan masyarakat di Provinsi Jawa Tengah dengan mengelompokkan wilayah berdasarkan beberapa indikator. Pengelompokan dilakukan menggunakan data dari berbagai sumber yang mencakup indikator-indikator utama kesejahteraan. Metode yang di gunakan dalam penelitian ini menggunakan algoritma data mining K-Means untuk mengelompokkan data wilayah menurut tingkat kesejahteraannya. Hasil analisis membagi wilayah menjadi tiga kategori: Tingkat Kesejahteraan Sedang, yang mencakup Kabupaten Banyumas, Purworejo, Boyolali, Klaten, Sukoharjo, Karanganyar, Sragen, Kudus, Jepara, Demak, Semarang, Kendal, serta Kota Pekalongan dan Kota Tegal, Tingkat Kesejahteraan Tinggi, terdiri dari Kota Magelang, Kota Surakarta, Kota Salatiga, dan Kota Semarang; dan Tingkat Kesejahteraan Rendah, mencakup Kabupaten Cilacap, Purbalingga, Banjarnegara, Kebumen, Wonosobo, Magelang, Wonogiri, Grobogan, Blora, Rembang, Pati, Temanggung, Temuan menunjukkan bahwa wilayah C2 memiliki rata-rata lama sekolah yang lebih panjang, pengeluaran per kapita yang lebih tinggi, dan IPM yang lebih baik, mencerminkan kualitas hidup yang lebih tinggi. Penelitian ini memberikan gambaran tentang ketidakmerataan kesejahteraan di Provinsi Jawa Tengah dan menyarankan perlunya kebijakan yang lebih terfokus untuk meningkatkan kualitas hidup di setiap kategori wilayah. Kata Kunci: clustering; k-means;  kesejahteraan
Peningkatan Keamanan Steganografi Citra Berbasis Least Significant Bit dengan Integrasi Algoritma Deep Learning Convolutional Neural Network (CNN) Khozin, Muhammad; Novitaningrum, Dian; Aprilia, Tresi; Samas, M. Achsin
Jurnal Surya Informatika Vol. 15 No. 1 (2025): Jurnal Surya Informatika, Vol 15. No. 1, Mei 2025
Publisher : Universitas Muhammadiyah Pekajangan Pekalongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.48144/suryainformatika.v15i1.2080

Abstract

Steganografi citra merupakan teknik penyembunyian informasi rahasia di dalam gambar digital yang berperan penting dalam komunikasi rahasia. Metode Least Significant Bit (LSB) dikenal luas karena kesederhanaan dan kemudahan implementasinya, namun memiliki kelemahan signifikan dalam hal keamanan, khususnya rentan terhadap deteksi melalui analisis statistik. Penelitian ini bertujuan untuk meningkatkan keamanan steganografi LSB melalui integrasi dengan algoritma deep learning Convolutional Neural Network (CNN). Dataset CIFAR-10 digunakan sebagai media eksperimen dengan proses penyisipan data pada bit paling tidak signifikan dari kanal warna citra digital. Evaluasi dilakukan melalui metrik imperseptibilitas seperti Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM), serta akurasi deteksi oleh model steganalisis. Hasil eksperimen menunjukkan bahwa integrasi LSB dengan CNN menghasilkan peningkatan nilai PSNR dan SSIM, serta menurunkan tingkat keberhasilan deteksi pesan tersembunyi oleh pihak ketiga. Pendekatan ini berhasil membuat proses penyisipan data lebih adaptif dan sulit dikenali secara visual maupun statistik, sehingga meningkatkan tingkat keamanan dan kerahasiaan dalam komunikasi digital berbasis steganografi.