cover
Contact Name
Arif Budiman
Contact Email
pustakateknologiai@gmail.com
Phone
+6281374373837
Journal Mail Official
pustakateknologiai@gmail.com
Editorial Address
Jl. Batu Kasek Blok E 11 Padang
Location
Kota padang,
Sumatera barat
INDONESIA
Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence
Published by Pustaka Galeri Mandiri
ISSN : -     EISSN : 28094069     DOI : https://doi.org/10.55382/jurnalpustakaai
Jurnal Pustaka AI adalah sebuah jurnal Double blind peer-review yang didedikasikan untuk publikasi hasil Penelitian yang berkualitas khusus bidang ilmu Teknologi Artificial Intelligence . Semua publikasi di Jurnal Pustaka AI bersifat akses terbuka yang memungkinkan artikel tersedia secara bebas online tanpa berlangganan apapun. Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) menerima naskah artikel setiap saat yang akan diterbitkan secara berkala tiga kali setahun yaitu pada bulan April, Agustus, dan Desember.
Articles 151 Documents
Penerapan Algoritma K-Means Clustering untuk Pengelompokan Karakteristik Limbah Makanan Rediutami, Imaulidia; Mufliq, Achmad; Mu'min, Syahri
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1743

Abstract

Limbah makanan merupakan salah satu permasalahan lingkungan yang dapat memberikan dampak signifikan terhadap aspek lingkungan, ekonomi, serta sosial. Banyaknya timbunan limbah makanan disebabkan oleh pola produksi dan konsumsi yang tidak efisien, serta rendahnya pemahaman publik dan pemerintah terhadap karakteristik limbah makanan yang bersifat kompleks dan direpresentasikan oleh berbagai sektor seperti rumah tangga, ritel, dan bisnis makanan dan minuman cepat saji. Untuk menganalisis data limbah makanan yang kompleks tersebut, diperlukan metode analitis yang mampu menyederhanakan data kompleks menjadi informasi yang mudah dipahami. Penelitian ini bertujuan mengoptimalkan pemanfaatan algoritma K-Means Clustering dalam pengelompokan data limbah makanan berdasarkan kesamaan karakteristiknya. Data yang digunakan untuk penelitian ini mencakup beberapa indikator limbah makanan, seperti limbah makanan per kapita, per ton, dan limbah makanan dari berbagai sektor. Sebelum dilakukan klasterisasi, data akan melalui tahap pra-pemrosesan yang meliputi pengecekan kelengkapan data serta standarisasi data menggunakan RobustScaler untuk menyamakan skala semua atributnya. Kemudian, menentukan jumlah klaster menggunakan evaluasi model Elbow Method dan Silhouette Score. Setelah itu, dilakukan proses klasterisasi akhir yaitu pengelompokan atribut dengan jumlah klaster yang sudah ditentukan berdasarkan hasil kedua evaluasi model tersebut. Hasil klasterisasi diharapkan mampu digunakan sebagai dasar perancangan program edukasi yang tepat sasaran dan sebagai dasar perumusan kebijakan pengelolaan sampah yang akurat dan efisien.
Klasterisasi Potensi Budidaya Bawang Putih Berdasarkan Faktor Iklim Menggunakan PCA dan K-Means Nur Azizah, Afida Nur Azizah; Mufliq, Achmad; Andhyka, Awang
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1745

Abstract

Ketergantungan Indonesia terhadap impor bawang putih yang melebihi 90% kebutuhan nasional menjadi ancaman serius bagi ketahanan pangan. Salah satu penyebab utamanya adalah ketidaksesuaian antara lokasi budidaya dengan karakteristik iklim yang diperlukan untuk pertumbuhan dan pembentukan umbi bawang putih secara optimal. Penelitian ini bertujuan memetakan kesesuaian iklim bagi budidaya bawang putih di 38 provinsi di Indonesia menggunakan data iklim tahun 2024 yang mencakup suhu rata-rata, curah hujan, jumlah hari hujan, dan lama penyinaran matahari. Metode penelitian menggabungkan Principal Component Analysis (PCA) untuk mereduksi variabel iklim yang berkorelasi, dilanjutkan dengan K-Means Clustering untuk mengelompokkan provinsi berdasarkan kemiripan kondisi iklim. Evaluasi menggunakan Davies-Bouldin Index sebesar 0,7632 menunjukkan bahwa empat klaster merupakan pengelompokan yang paling optimal. Klaster 3 yang terdiri atas Jawa Barat, Sulawesi Selatan, dan Papua Pegunungan menunjukkan tingkat kesesuaian iklim tertinggi dengan suhu rata-rata 21,73°C. Visualisasi biplot PCA menggambarkan kontribusi masing-masing variabel iklim dalam pembentukan klaster. Temuan ini dapat menjadi dasar ilmiah bagi perumusan kebijakan pengembangan sentra produksi bawang putih dalam negeri yang lebih terarah.
Clustering Toko Ritel Berdasarkan Pola Penjualan Produk Menggunakan Algoritma K-Means Amalia Praptiwi, Riska; Muharmi, Yulya; Amelia, Dhella
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1748

Abstract

Penelitian ini menganalisis pola penjualan toko ritel di Pekanbaru dan melakukan segmentasi berbasis data menggunakan algoritma K-Means. Dataset terdiri dari 965 toko dengan variabel numerik hasil preprocessing, meliputi total penjualan, frekuensi transaksi, rata-rata nilai pembelian, dan variasi produk. Hasil clustering menunjukkan tiga segmen toko: performa tinggi, menengah, dan rendah, dengan evaluasi kualitas menggunakan Silhouette Score sebesar 0.603 dan Davies-Bouldin Index sebesar 0.763. Visualisasi PCA memperkuat pemisahan antar cluster secara intuitif. Kebaruan penelitian ini terletak pada penerapan K-Means pada data ritel lokal Pekanbaru dengan evaluasi cluster komprehensif, sehingga menghasilkan segmentasi yang lebih representatif terhadap perilaku konsumen daerah. Temuan ini dapat dimanfaatkan untuk strategi distribusi produk, target promosi, dan evaluasi kinerja toko berbasis data. Penelitian selanjutnya dapat menambahkan variabel lokasi geografis dan demografi pelanggan untuk meningkatkan presisi segmentasi.
Evaluasi dan Interpretabilitas Model Machine learning untuk Prediksi Diabetes dengan Nested cross-validation dan SHAP Tri Armawan, Errie; Safitri, Riana; Riyandari, Lutvi
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1751

Abstract

Penelitian ini mengevaluasi dan membandingkan kinerja tiga algoritma machine learning Logistic Regression, Random Forest, dan XGBoost untuk prediksi diabetes menggunakan nested cross-validation (5-fold outer, 3-fold inner) dengan pipeline preprocessing terintegrasi untuk mencegah data leakage. Dataset yang digunakan adalah Pima Indians Diabetes Dataset (n = 768). Uji Friedman (p = 0,819) mengonfirmasi bahwa ketiga model tidak berbeda secara statistik, sehingga Logistic Regression dipilih berdasarkan prinsip parsimoni dengan stabilitas tertinggi (AUC-ROC 72,3% ± 1,6% pada nested cross-validation) dan precision 74,8% ± 6,8%. Pada data uji independen, model mencapai akurasi 69,5%, AUC-ROC 81,4%, dan PR-AUC 65,9%. Analisis SHAP mengidentifikasi Glucose, BMI, dan DiabetesPedigreeFunction sebagai tiga prediktor teratas, yang selaras dengan kriteria diagnostik dan faktor risiko dalam pedoman American Diabetes Association dan World Health Organization. Kesesuaian ini membuktikan bahwa model mempelajari pola yang bermakna secara klinis, bukan sekadar korelasi statistik.
Studi Optimalisasi Deteksi Intrusi Jaringan NIDS Menggunakan XGBoost pada Dataset Netflow V2 Aritonang, Mhd Adi Setiawan; Marshall Al Karim, Muhammad; Roland, Roland; Irwan Gultom, Jefri; Enrico Sitompul, muel; Hendri , Hendri
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1756

Abstract

This research is motivated by the increasing complexity of cyber attacks on modern networks, necessitating the need for an adaptive and accurate network intrusion detection system (NIDS) through the use of machine learning algorithms, specifically XGBoost. This research uses the NF-UQ-NIDS-v2 dataset with structured pre-processing stages, stratified data partitioning, and the development of an XGBoost-based multi-class classification model with optimized hyperparameter configurations. The test results show that the XGBoost model achieves an overall accuracy of 98.84% with excellent performance in the majority class, but still experiences a decrease in performance in the minority class due to data imbalance. The XGBoost-based NIDS model is proven to be effective and stable in detecting large-scale network attacks, although further strategies are needed to improve detection capabilities for rare types of attacks..
Explainable AI pada Seleksi Beasiswa KIP Berbasis Machine Learning di Universitas Adzkia Thoriq, Muhammad; Maulana, Fajar; Ali Pitchay, Sakinah; Ridzuan, Farida; Ramanda, Wega
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1767

Abstract

Program Kartu Indonesia Pintar Kuliah (KIP-K) bertujuan memperluas akses pendidikan tinggi bagi mahasiswa dari keluarga kurang mampu. Namun, peningkatan jumlah pendaftar serta kompleksitas verifikasi kondisi sosial ekonomi sering kali menyulitkan proses seleksi di perguruan tinggi. Penelitian ini mengusulkan pendekatan berbasis machine learning yang terintegrasi dengan Explainable Artificial Intelligence (XAI) untuk mendukung rekomendasi kelayakan penerima beasiswa menggunakan data riil seleksi mandiri Universitas Adzkia. Dataset yang digunakan terdiri dari 829 pendaftar dengan variabel sosial ekonomi seperti status P3KE, penghasilan orang tua, jumlah tanggungan keluarga, pekerjaan orang tua, serta asal sekolah. Model klasifikasi dibangun menggunakan algoritma Random Forest dan divalidasi menggunakan 5-fold cross-validation dengan metrik evaluasi accuracy, precision, recall, F1-score, serta confusion matrix. Karena dataset memiliki distribusi kelas yang tidak seimbang, dilakukan threshold optimization untuk meningkatkan kemampuan model dalam mendeteksi kandidat yang layak menerima beasiswa. Untuk meningkatkan transparansi model, penelitian ini menggunakan metode SHapley Additive exPlanations (SHAP) guna menginterpretasikan kontribusi setiap fitur baik secara global maupun lokal. Hasil penelitian menunjukkan bahwa faktor sosial ekonomi seperti status P3KE, jumlah tanggungan keluarga, penghasilan orang tua, serta wilayah asal sekolah merupakan determinan utama dalam prediksi kelayakan penerima beasiswa. Integrasi machine learning dan SHAP memungkinkan sistem seleksi yang lebih objektif, transparan, dan berbasis data dalam proses pengambilan keputusan.
Persepsi Mahasiswa Program Studi Kecantikan terhadap Artificial Intelligence Analisis Kulit Wajah Otomatis Aimar, Khairina; Fakhrihun Naam, Muh
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1770

Abstract

Perkembangan kecerdasan buatan (artificial intelligence/AI) telah membawa perubahan signifikan di berbagai sektor, termasuk industri dan pendidikan kecantikan. Salah satu inovasi yang berkembang adalah teknologi AI Skin Functional yang memungkinkan analisis kulit wajah secara otomatis dan real-time. Namun, keberhasilan implementasi teknologi ini dalam pendidikan vokasi kecantikan sangat dipengaruhi oleh persepsi pengguna, khususnya mahasiswa sebagai calon praktisi. Penelitian ini bertujuan untuk mengidentifikasi persepsi mahasiswa program studi kecantikan terhadap penerapan teknologi AI Skin Functional dalam analisis kulit wajah berdasarkan Technology Acceptance Model (TAM). Penelitian menggunakan pendekatan kuantitatif dengan desain deskriptif cross-sectional. Data dikumpulkan melalui kuesioner terstruktur yang mengukur perceived ease of use (PEOU) dan perceived usefulness (PU), kemudian dianalisis menggunakan statistik deskriptif. Hasil penelitian menunjukkan bahwa mahasiswa memiliki persepsi positif terhadap kemudahan penggunaan dan manfaat teknologi AI Skin Functional. Temuan ini mengindikasikan bahwa teknologi analisis kulit berbasis AI berpotensi besar untuk diintegrasikan ke dalam kurikulum pendidikan kecantikan guna mendukung transformasi digital industri kecantikan.
Persepsi Mahasiswa Terhadap Etika Penggunaan ChatGPT Di UIN Raden Intan Lampung Wilis, Agung; iqbal, Rahmat; Rahmatika Kesuma, Aghesna
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1773

Abstract

Penggunaan teknologi kecerdasan buatan berbasis generative artificial intelligence seperti ChatGPT semakin banyak dimanfaatkan oleh mahasiswa dalam kegiatan akademik karena kemampuannya dalam menghasilkan teks, menjawab pertanyaan, serta membantu penyusunan tugas. Penelitian ini bertujuan untuk mendeskripsikan persepsi mahasiswa terhadap etika penggunaan ChatGPT dalam kegiatan akademik berdasarkan prinsip etika kecerdasan buatan UNESCO. Penelitian ini menggunakan metode kualitatif deskriptif dengan teknik pengumpulan data melalui wawancara semi-terstruktur terhadap 20 mahasiswa dari Program Studi Sistem Informasi dan Program Studi Hukum Tata Negara di Universitas Islam Negeri Raden Intan Lampung. Data dianalisis menggunakan analisis tematik deduktif dengan mengacu pada prinsip human oversight, transparency, responsibility, dan awareness. Hasil penelitian menunjukkan bahwa mahasiswa pada umumnya memandang ChatGPT sebagai alat bantu dalam kegiatan akademik yang tetap memerlukan kendali pengguna. Mahasiswa juga menunjukkan kesadaran terhadap tanggung jawab akademik, pentingnya sikap kritis dalam memverifikasi informasi, serta kewaspadaan terhadap potensi risiko penggunaan teknologi tersebut. Temuan ini menunjukkan bahwa persepsi mahasiswa terhadap etika penggunaan ChatGPT cukup baik, meskipun masih diperlukan peningkatan literasi kecerdasan buatan serta pedoman penggunaan AI yang jelas di lingkungan perguruan tinggi.
Penerapan Metode K-Means Clustering untuk Pengelompokan Data Persediaan Barang pada PT. X Rahmatullah, Deny; Andhyka, Awang; Halim Anshor, Abdul
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v6i1.1781

Abstract

Pengelolaan persediaan barang yang efektif membutuhkan pemahaman mendalam terhadap pola dan karakteristik stok. Penerapan data mining memungkinkan perusahaan melakukan analisis tersebut secara lebih objektif. Penelitian ini bertujuan untuk mengelompokkan data persediaan barang di PT. X menggunakan metode K-means clustering sebagai dasar identifikasi kategori barang berdasarkan kesamaan karakteristik stok. Data penelitian diperoleh dari dataset “Stock list E3” dan diolah melalui tahapan prapemrosesan, meliputi pembersihan data, penghapusan duplikasi, seleksi variabel, encoding label, serta normalisasi fitur numerik. Penentuan jumlah klaster optimal dilakukan menggunakan metode Elbow dan Silhouette Score. Hasil analisis menunjukkan bahwa nilai Silhouette Score tertinggi diperoleh pada k = 4 dengan nilai 0.985, yang mengindikasikan kualitas pengelompokan yang sangat baik. Klaster yang terbentuk merepresentasikan tiga kategori utama, yaitu normal item, bulk stock dan critical part, berdasarkan kombinasi nilai stok, harga standar, dan ketersediaan barang. Temuan penelitian ini dapat dimanfaatkan perusahaan untuk meningkatkan efisiensi pengendalian persediaan, memprioritaskan pengadaan, serta mendukung pengambilan keputusan berbasis data dalam manajemen logistik.
Pengukuran Risiko Sosial Penggunaan ChatGPT dengan Domain Risk Management COBIT 4.1 Vratiwi, Septiana; Ikhbal Salam, Riyan; Ikhsan, Ikhsan; Eka Putra, Dian; Sri Wahyuni, Widya; Pratama, Rifaldo
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 6 No 1 (2026): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

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

Abstract

Perkembangan kecerdasan buatan generatif seperti ChatGPT telah merevolusi praktik pembelajaran mahasiswa, khususnya dalam proses pencarian informasi, penyelesaian tugas akademik, dan pengambilan keputusan berbasis pengetahuan. Meskipun demikian, pemanfaatannya juga berpotensi menimbulkan risiko sosial, antara lain misinformasi, bias informasi, serta ketergantungan teknologi yang dapat berdampak pada penurunan kualitas pembelajaran. Penelitian ini bertujuan untuk mengukur tingkat risiko sosial penggunaan ChatGPT oleh mahasiswa dengan mengadopsi domain Manage Risk (PO9) dalam kerangka COBIT 4.1. Penelitian ini menggunakan pendekatan kuantitatif deskriptif melalui survei terhadap mahasiswa. Instrumen penelitian mencakup lima aspek utama, yaitu Risk Awareness, Risk Identification, Risk Assessment, Risk Response, dan Risk Monitoring. Analisis data dilakukan menggunakan maturity index dan gap analysis antara kondisi saat ini (as-is) dan kondisi yang diharapkan (to-be). Hasil penelitian menunjukkan bahwa tingkat kematangan pengelolaan risiko berada pada rentang 3,22 hingga 3,80 dengan rata-rata pada level 3 (Defined Process), sedangkan tingkat yang diharapkan berada pada level 4 (Managed and Measurable). Hasil analisis kesenjangan menunjukkan bahwa seluruh aspek masih berada di bawah target dengan nilai GAP sebagai berikut: Risk Awareness sebesar 0,72; Risk Identification sebesar 0,78; Risk Assessment sebesar 0,20; Risk Response sebesar 0,21; dan Risk Monitoring sebesar 0,28. Kesenjangan terbesar terdapat pada Risk Identification, sedangkan yang terkecil pada Risk Assessment. Temuan ini menunjukkan bahwa mahasiswa memiliki tingkat kemampuan yang relatif baik dalam menilai risiko, namun masih mengalami kelemahan dalam mengidentifikasi risiko sejak tahap awal penggunaan ChatGPT. Secara keseluruhan, mahasiswa telah memiliki kesadaran terhadap risiko penggunaan ChatGPT, tetapi pengelolaan risikonya belum optimal. Penelitian ini diharapkan dapat menjadi dasar bagi institusi pendidikan tinggi dalam merumuskan kebijakan pemanfaatan kecerdasan buatan secara lebih bijak, sistematis, dan bertanggung jawab.