Claim Missing Document
Check
Articles

Found 3 Documents
Search

Studi Pengaruh Kesadaran Keamanan Siber Terhadap Kepercayaan Pengguna dalam Menggunakan SIAKAD Esa Unggul dengan Metode Analisis Deskriptif Kuantitatif Sinulingga, Samuel Mahesa; Jesen Candra; Johta Sansanda Suntana; Gifaren Permana; Farrel Reyhan Putra; Dewi Setiowati
SITEKNIK: Sistem Informasi, Teknik dan Teknologi Terapan Vol. 2 No. 4 (2025): October
Publisher : RAM PUBLISHER

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.16933465

Abstract

Penelitian ini menyelami dinamika interaksi antara kesadaran keamanan siber dengan kepercayaan pengguna terkait sistem informasi akademik SIAKAD di Universitas Esa Unggul. Seiring berkembangnya lanskap digital, ancaman siber pun turut berevolusi, menjadikan kewaspadaan pengguna sebagai hal yang sangat penting. Riset ini mengadopsi pendekatan deskriptif kuantitatif, menyebarkan kuesioner Google Formulir yang dirancang cermat untuk menggali perspektif dari para mahasiswa pengguna aktif SIAKAD. Tujuan utamanya adalah memotret tingkat ‘melek’ keamanan siber mereka saat ini dan memetakannya dengan keyakinan mereka terhadap kapabilitas proteksi sistem. Analisis awal mengindikasikan adanya keterkaitan yang dapat diamati antara pemahaman pengguna akan ancaman siber dan praktik aman berinternet, dengan kesediaan mereka mempercayakan data akademik sensitif kepada SIAKAD. Temuan riset menyoroti area-area spesifik di mana inisiatif peningkatan kesadaran dapat secara signifikan memperkukuh kepercayaan pengguna, sekaligus memperkuat postur keamanan infrastruktur digital universitas secara keseluruhan. Tulisan ini diakhiri dengan usulan intervensi edukatif yang terarah guna meningkatkan kesadaran keamanan siber, demi terciptanya lingkungan digital yang lebih aman dan terpercaya bagi sivitas akademika Esa Unggul.
Perbandingan Metode K-Means dan Hierarchical Clustering pada Rekomendasi Musik Berbasis Audio Spotify Features Sistem Sinulingga, Samuel Mahesa; Farrel Reyhan Putra; Andhika Dwi Rachmawanto; Michael Jeconiah Yonathan; Valentino Wijaya; Vitri Tundjungsari
Informatics and Computer Engineering Journal Vol 6 No 1 (2026): Periode Februari 2026
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM) Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/icej.v6i1.11895

Abstract

Penelitian ini membandingkan metode K-Means dan Hierarchical Clustering dalam sistem rekomendasi musik berbasis audio features Spotify. Dataset yang digunakan berasal dari Spotify Tracks Dataset yang terdiri dari sekitar 114.000 lagu, kemudian melalui tahap pra-pemrosesan diperoleh sekitar 81.000 lagu valid. Untuk efisiensi komputasi, digunakan 5.000 lagu sebagai data eksperimen. Clustering dilakukan menggunakan 6 cluster dengan sembilan atribut audio. Evaluasi menggunakan Silhouette Score dan Davies–Bouldin Index menunjukkan bahwa K-Means memperoleh nilai Silhouette Score 0,1900 dan Davies–Bouldin Index 1,4445, sedangkan Hierarchical Clustering memperoleh nilai Silhouette Score 0,1782 dan Davies–Bouldin Index 1,4522. Hasil ini menunjukkan bahwa K-Means menghasilkan cluster yang lebih kompak. Sistem rekomendasi yang dibangun mampu memberikan rekomendasi lagu yang relevan berdasarkan kemiripan karakteristik audio.
PENGEMBANGAN SISTEM SPEECH EMOTION RECOGNITION BERBASIS DEEP LEARNING WAV2VEC2.0 UNTUK RESPONS EMOSIONAL KARAKTER KUCING INTERAKTIF DI GAME UNITY Farrel Reyhan Putra; Dzaky, Hafidz Muhammad; Putratama, Maheswara; Fikri, Mochammad Rabee Fathi Al; Tundjungsari, Vitri
Jurnal Informatika dan Teknik Elektro Terapan Vol. 14 No. 1 (2026)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v14i1.9064

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem Speech Emotion Recognition (SER) berbasis deep learning yang mampu mengenali emosi suara dan mengimplementasikannya pada sebuah game interaktif menggunakan Unity. Model SER dibangun dengan memanfaatkan arsitektur Wav2Vec 2.0 yang telah dipra-latih (pretrained) dan dilakukan fine-tuning menggunakan dataset CREMA-D dengan empat kelas emosi, yaitu angry, happy, neutral, dan sad. Data dibagi dengan rasio 80% untuk pelatihan dan 20% untuk validasi. Hasil pengujian menunjukkan bahwa model mampu mencapai nilai akurasi validasi maksimum sebesar 78–79% dengan weighted F1-score sebesar 0,79. Analisis confusion matrix memperlihatkan bahwa kelas angry memiliki tingkat pengenalan tertinggi, sementara kesalahan klasifikasi paling sering terjadi antara kelas neutral dan sad akibat kemiripan karakteristik prosodi. Model yang telah dilatih kemudian diekspor ke format ONNX dan berhasil diintegrasikan ke dalam game Unity untuk mendeteksi emosi suara pemain secara real-time. Hasil implementasi menunjukkan bahwa sistem mampu memberikan respons karakter yang adaptif berdasarkan emosi suara pengguna, sehingga meningkatkan interaksi dalam permainan.