Claim Missing Document
Check
Articles

Found 5 Documents
Search

ANALYSIS OF CLASSIFICATION ALGORITHM IN UNBALANCED DIABETES DATASET Ahmad Rifa'i; Herin Dwibima Aprianto; Lubna
Jurnal Riset Informatika Vol. 8 No. 1 (2025): Desember 2025
Publisher : Kresnamedia Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34288/jri.v8i1.458

Abstract

Diabetes mellitus is a metabolic disease that is spreading rapidly and has the potential to be life-threatening worldwide. This condition occurs when the body experiences a decline in its ability to process glucose, triggering metabolic disorders. The use of machine learning algorithms is one effective approach to predicting or detecting diabetes based on the severity of a patient's symptoms. This study uses the Diabetes dataset from Kaggle and compares the performance of several classification algorithms in unbalanced data conditions and after data balancing using the SMOTE, Random Under Sampling, Random Over Sampling, and Near Miss resampling techniques. The results show that model performance is greatly influenced by data balance conditions and the resampling method used. In the original unbalanced data condition, Artificial Neural Network (ANN) provided the best results with the highest accuracy of 96.98%, indicating that ANN is the most adaptive to class imbalance. After resampling, the performance pattern changed: with SMOTE, Random Under Sampling, and Random Over Sampling, the Random Forest algorithm consistently produced the highest accuracy of 96.52%, 89.84%, and 96.26%, respectively, demonstrating its superiority in utilizing balanced data. Meanwhile, in the Near Miss method, the best performance was achieved by Logistic Regression with an accuracy of 94.41%, indicating that minority sample selection based on proximity is more suitable for linear models. Therefore, selecting the right combination of resampling methods and machine learning algorithms is an important factor in obtaining optimal diabetes predictions.
Efektivitas Pengembangan Quick Rigging Tools dalam Pembuatan Film Animasi 3D Herin Dwibima Aprianto; Ahmad Rifa'i; Anip Moniva
JURNAL INFORMATIKA Vol 15, No 1 (2026): Jurnal Informatika
Publisher : Informatics Engineering Department, Dayanu Ikhsanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55340/jiu.v15i1.2701

Abstract

Proses rigging merupakan tahap penting dalam produksi film animasi 3D karena menentukan kesiapan karakter untuk dianimasikan, kualitas deformasi mesh, serta efisiensi kerja animator. Pada pipeline manual, pembuatan skeleton, kontrol IK/FK, penamaan joint, mirroring, dan inisialisasi skin weight sering memerlukan waktu panjang serta berpotensi menimbulkan inkonsistensi teknis. Penelitian ini bertujuan untuk mengevaluasi Quick Rigging Tools sebagai pendekatan semiotomatis untuk mendukung pembuatan rig karakter 3D pada Autodesk Maya Rigging Builder. Metode penelitian menggunakan pendekatan kuantitatif komparatif berbasis pengujian gerak. Data sudut gerak diperoleh dari satu skenario animasi tendangan dengan empat bagian tubuh, yaitu tangan kanan, tangan kiri, kaki kanan, dan kaki kiri, masing-masing 69 frame. Sudut hasil rigging QR Maya dan rig Studio dibandingkan dengan video referensi menggunakan circular angular error. Analisis statistik mencakup rata-rata ± standar deviasi, RMSE, uji normalitas Shapiro-Wilk, serta uji Wilcoxon signed-rank karena selisih error tidak berdistribusi normal. Hasil menunjukkan error gabungan QR Maya sebesar 10,718 ± 9,380 derajat, sedangkan studio sebesar 11,236 ± 9,715 derajat. Perbedaan kualitas gerak tidak signifikan secara statistik (Wilcoxon, p = 0,787), sehingga Quick Rigging Tools belum dapat dinyatakan lebih unggul secara statistik dibandingkan dengan metode pembanding pada aspek kualitas gerak animasi. Meskipun demikian, temuan deskriptif menunjukkan bahwa Quick Rigging Tools memiliki potensi untuk meningkatkan efisiensi workflow, konsistensi rig, dan kesiapan pipeline melalui standardisasi skeleton, controller, penamaan, dan validasi rig.
Analisis Kebutuhan Pengembangan Framework Game-Based Learning Berbasis AI–IoT untuk Peningkatan Kualitas Pembelajaran dan Otomatisasi Asesmen di Pendidikan Menengah Herin Dwibima Aprianto; Lubna Lubna; Anindhiasti Ayu Kususma Asri; Anip Moniva
Techno.Com Vol. 25 No. 3 (2026): August 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i3.16811

Abstract

Perkembangan teknologi digital mendorong sekolah untuk mengadopsi pendekatan pembelajaran yang lebih inovatif, interaktif, dan berpusat pada peserta didik. Meskipun pemanfaatan Game-Based Learning (GBL), Artificial Intelligence (AI), dan Internet of Things (IoT) dalam pendidikan terus berkembang, penelitian yang mengkaji kebutuhan pengguna sebagai dasar pengembangan framework terintegrasi masih relatif terbatas. Penelitian ini bertujuan untuk menganalisis kebutuhan guru dan peserta didik terhadap pengembangan Framework Game-Based Learning berbasis AI–IoT untuk mendukung peningkatan kualitas pembelajaran dan otomatisasi asesmen di pendidikan menengah. Penelitian menggunakan pendekatan mixed-methods dengan desain analisis kebutuhan. Data dikumpulkan melalui kuesioner daring yang melibatkan 51 peserta didik dan 12 guru, serta wawancara semi-terstruktur terhadap lima guru. Hasil penelitian menunjukkan bahwa peserta didik memiliki tingkat kebutuhan yang tinggi (M = 3,95), sedangkan guru menunjukkan tingkat kebutuhan yang sangat tinggi (M = 4,58) terhadap framework yang diusulkan. Dimensi Learning Analytics, Automated Assessment, dan AI Feedback & Recommendation menjadi kebutuhan utama bagi kedua kelompok responden. Temuan wawancara mengungkapkan bahwa guru masih menghadapi kendala dalam proses asesmen manual, pemberian umpan balik, dan pemantauan perkembangan belajar siswa. Berdasarkan hasil analisis kebutuhan, penelitian ini mengusulkan framework yang terdiri atas enam komponen utama, yaitu Learning Content, Game-Based Learning, Automated Assessment, AI Feedback and Recommendation, Learning Analytics, dan IoT Integration. Framework tersebut diharapkan menjadi landasan bagi pengembangan sistem pembelajaran yang lebih adaptif, efisien, dan berkelanjutan. Keywords - Game-Based Learning; Artificial Intelligence; Internet of Things; Analisis Kebutuhan; Pendidikan Menengah
AN INTELLIGENT GAME-BASED LEARNING ARCHITECTURE BASED ON AN AI–IOT FRAMEWORK FOR SMART LEARNING ENVIRONMENTS Herin Dwibima Aprianto; Anindhiasti Ayu Kusuma Asri; Lubna
Proceeding of the International Conference Health, Science And Technology (ICOHETECH) 2026: Proceeding of the 7th International Conference Health, Science And Technology (ICOHETECH)
Publisher : LPPM Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/fgjkjy50

Abstract

The integration of Artificial Intelligence (AI), the Internet ofThings (IoT), and Game-Based Learning (GBL) has thepotential to create adaptive learning environments, yetexisting studies rarely combine these technologies within aunified operational architecture. This study proposes theIntelligent Game-Based Learning (IGBL) Architecture as theoperational realization of a previously developed AI–IoTGame-Based Learning framework. Using the Design ScienceResearch methodology, a five-layer adaptive architecturewas developed and evaluated through expert review andsimulation-based assessment using 80 predefined studentprofiles. Two architectural configurations were compared:gameplay analytics only and gameplay analytics enriched with contextual learning information obtained through IoT-enabled connected learning technologies. The results showed that the proposed architecture improved learning-state classification accuracy (82.4% to 89.8%), adaptive decision accuracy (79.3% to 86.5%), and successfuladaptation rate (80.7% to 88.7%) while maintaining nearreal-time processing performance. These findingsdemonstrate that the proposed architecture is conceptuallyvalid and operationally feasible, providing a structuredimplementation model for integrating AI, IoT, and GBL incontext-aware adaptive learning environments.
Framework Game-Based Learning Berbasis AI-IoT Menggunakan R&D dan Design Science Research Untuk Sekolah Menengah Herin Dwibima Aprianto; Lubna; Anindhiasti Ayu Kusuma Asri
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.9977

Abstract

Pemanfaatan Game-Based Learning (GBL), Artificial Intelligence (AI), dan Internet of Things (IoT) di pendidikan menengah memerlukan rancangan sistem yang tidak hanya menarik secara pedagogis, tetapi juga terstruktur sebagai artefak teknologi informasi. Penelitian ini bertujuan merancang prototipe website GBL berbasis AI-IoT yang mendukung automated assessment, AI feedback, recommendation, dan learning analytics menggunakan pendekatan Research and Development (R&D) yang dijalankan dengan kerangka Design Science Research Methodology (DSRM). Tahapan yang dilaporkan meliputi problem identification, objectives of solution, design and modelling, serta prototype development, sedangkan demonstration dan evaluation belum dilaksanakan dan diposisikan sebagai agenda penelitian lanjutan. Data kebutuhan dikumpulkan melalui kuesioner terhadap 51 peserta didik dan 12 guru yang dipilih secara purposive, serta wawancara semi-terstruktur terhadap lima guru. Validitas isi instrumen ditelaah sebelum pengumpulan data, sedangkan kebutuhan administrator diperlakukan sebagai peran sistem yang diturunkan secara analitis, bukan sebagai data responden. Hasil analisis kebutuhan menunjukkan learning analytics, automated assessment, dan AI feedback sebagai tiga kebutuhan dengan prioritas tertinggi pada kedua kelompok responden, dengan rerata kebutuhan keseluruhan sebesar 3,95 (tinggi) pada peserta didik dan 4,58 (sangat tinggi) pada guru. Berdasarkan temuan tersebut, penelitian menghasilkan artefak konseptual berupa design requirements, arsitektur website berlapis, model modul, model alur data pembelajaran, dan wireframe prototipe dashboard learning analytics. Komponen AI dan IoT dibatasi pada rancangan layanan dan telemetry berbasis perangkat lunak tanpa pengujian akurasi maupun sensor fisik. Seluruh hasil masih berstatus rancangan dan prototipe awal sehingga belum merepresentasikan efektivitas pembelajaran, akurasi layanan AI, maupun tingkat usability yang teruji. Kontribusi penelitian ini adalah menyediakan landasan teknis yang dapat ditelusuri dari kebutuhan pengguna menuju modul sistem bagi pengembangan website pembelajaran adaptif yang mengintegrasikan GBL engine, telemetry/IoT layer, automated assessment service, AI recommendation service, dan analytics dashboard. Artefak yang dihasilkan menjadi dasar bagi validasi ahli, uji usability, dan implementasi terbatas pada penelitian berikutnya