Jurnal Mnemonic

RANCANG BANGUN APLIKASI PRESENSI MENGGUNAKAN TEKNOLOGI FACE RECOGNITION BERBASIS CONVOLUTIONAL NEURAL NETWORK

Abdullah Muhajir, Fitri Nurlaela, Hanif Lukman Nurhakim — Sat, 19 Sep 2026 12:40:58 +0700

Kehadiran karyawan merupakan salah satu aspek penting dalam mendukung pengelolaan administrasi dan kedisiplinan di lingkungan kerja. Sistem presensi konvensional masih memiliki keterbatasan dalam proses pencatatan dan verifikasi identitas. Penelitian ini bertujuan merancang dan mengimplementasikan sistem presensi karyawan berbasis web menggunakan teknologi face recognition dengan pendekatan Convolutional Neural Network (CNN), yang mengintegrasikan registrasi wajah, identifikasi pengguna, pencatatan kehadiran, dan pengelolaan laporan presensi. Pengembangan sistem menggunakan metode Waterfall yang meliputi analisis kebutuhan, perancangan, implementasi, dan pengujian. Data penelitian terdiri atas 300 citra wajah dari 10 identitas pengguna. Evaluasi dilakukan menggunakan Black Box Testing dan pengujian pengenalan wajah melalui 200 percobaan dengan variasi jarak dan intensitas pencahayaan. Hasil pengujian menunjukkan 185 dari 200 percobaan berhasil dikenali dengan akurasi keseluruhan sebesar 92,5%. Akurasi tertinggi sebesar 98,0% diperoleh pada jarak 1 meter dengan pencahayaan normal 150–300 lux, sedangkan akurasi terendah sebesar 84,0% diperoleh pada jarak 2 meter dengan pencahayaan normal. Pengujian Black Box Testing pada lima skenario utama menunjukkan keberhasilan fungsional sebesar 100%. Hasil tersebut menunjukkan bahwa sistem mampu mengotomatisasi proses identifikasi dan pencatatan presensi serta mengintegrasikan data pengguna, wajah, dan kehadiran dalam satu aplikasi berbasis web. Kontribusi penelitian terletak pada penerapan dan integrasi face recognition berbasis CNN dalam sistem presensi karyawan serta evaluasi kemampuan pengenalan berdasarkan kondisi operasional jarak dan pencahayaan

IMPLEMENTASI SD-WAN UNTUK MENINGKATKAN KEANDALAN JARINGAN DI SUBBIDANG ROUTER DAN KEAMANAN PT PLN ICONPLUS

Taufik Rahman, M.Iksan Susanta Ramada — Sat, 19 Sep 2026 12:41:27 +0700

Meningkatnya permintaan akan konektivitas jaringan yang andal dan aman di perusahaan skala besar, seperti PT PLN Icon Plus, telah mendorong kebutuhan akan inovasi dalam arsitektur jaringan. Arsitektur WAN tradisional sering kali mengalami latensi tinggi, fleksibilitas terbatas, dan manajemen yang kompleks, terutama saat mengintegrasikan beberapa koneksi cabang dan layanan berbasis cloud. Untuk mengatasi keterbatasan tersebut, penelitian ini menerapkan teknologi Software-Defined Wide Area Network (SD-WAN) untuk meningkatkan keandalan, efisiensi, dan keamanan jaringan di lingkungan Subdivisi Router dan Keamanan di PT PLN Icon Plus. Tujuan dari penelitian ini adalah untuk mengevaluasi peningkatan kinerja yang dicapai melalui implementasi SD-WAN dibandingkan dengan sistem WAN konvensional. Penelitian ini menerapkan metodologi eksperimental dan komparatif. Hasilnya menunjukkan peningkatan yang signifikan dalam kinerja jaringan: latensi rata-rata menurun dari 65 ms menjadi 28 ms, kehilangan paket dihilangkan (dari 5% menjadi 0%), dan waktu pemulihan failover meningkat dari 60 detik menjadi kurang dari 2 detik. Selain itu, SD-WAN mengaktifkan perutean dinamis, pemantauan waktu nyata, dan keamanan terintegrasi melalui enkripsi IPsec otomatis dan mekanisme pencegahan intrusi. Kesimpulannya, implementasi SD-WAN berhasil mencapai tujuan penelitian dengan meningkatkan keandalan, keamanan, dan pengelolaan jaringan secara substansial. Studi di masa mendatang direkomendasikan untuk mengeksplorasi integrasi SD-WAN dengan analitik berbasis AI untuk manajemen dan pengoptimalan jaringan prediktif

PENGEMBANGAN PLATFORM ANALISIS ISU PUBLIK PADA MEDIA SOSIAL INSTAGRAM MENGGUNAKAN PENDEKATAN TOPIC MODELING DAN TEXT MINING

Nuzul Hikmah, Dwi Putri Kartini, Kurnia Iswardani, Abd Wahid — Sat, 19 Sep 2026 12:41:55 +0700

Media sosial, khususnya Instagram, menghasilkan data teks dalam jumlah besar yang berpotensi dimanfaatkan untuk mengidentifikasi isu publik yang berkembang di masyarakat. Namun, proses analisis data media sosial umumnya masih dilakukan menggunakan beberapa perangkat lunak yang terpisah sehingga kurang efisien dan memerlukan kemampuan teknis yang relatif tinggi. Penelitian ini bertujuan mengembangkan Platform Analisis Isu Publik pada Media Sosial Instagram menggunakan pendekatan Topic Modeling dan Text Mining berbasis web untuk mengintegrasikan seluruh tahapan analisis dalam satu aplikasi. Platform dikembangkan menggunakan bahasa pemrograman Python dengan framework Streamlit serta menerapkan metode Latent Dirichlet Allocation (LDA) untuk proses topic modeling. Fitur utama platform meliputi crawling data Instagram berdasarkan hashtag, manajemen dataset, preprocessing teks, penentuan jumlah topik optimal menggunakan Coherence Score, pemodelan topik, dan visualisasi hasil analisis. Hasil implementasi menunjukkan bahwa platform mampu mengintegrasikan seluruh tahapan analisis dalam satu lingkungan kerja. Pengujian topic modeling pada jumlah topik 2–10 menghasilkan Coherence Score tertinggi sebesar 0,5237 pada konfigurasi 5 topik, yang kemudian digunakan sebagai model akhir untuk identifikasi topik dominan. Hasil visualisasi menunjukkan adanya beberapa kelompok isu publik yang berkaitan dengan ekonomi dan harga, pendidikan, bantuan sosial dan kesehatan, kemiskinan, serta lingkungan. Platform yang dikembangkan dapat mendukung proses analisis isu publik secara lebih sistematis dan terintegrasi serta menjadi dasar pengembangan analisis prioritas isu publik berbasis data

PENERAPAN ALGORITMA FP-GROWTH UNTUK ANALISIS POLA PEMBELIAN KONSUMEN PADA DATA TRANSAKSI RETAIL

Imroatin Nur Arifah, Muhammad Ali Ridla, Navita Inka Ristiani — Sat, 19 Sep 2026 12:43:30 +0700

Perkembangan teknologi informasi membantu mencatat setiap aktivitas penjualan secara lengkap, sehingga menyebabkan jumlah data transaksi pada bidang retail semakin meningkat. Data transaksi tersebut menyimpan banyak informasi penting yang dapat dimanfaatkan untuk mendukung strategi bisnis. Permasalahan yang sering terjadi adalah data transaksi hanya disimpan sebagai arsip tanpa dilakukan analisis lebih lanjut untuk menemukan pola pembelian konsumen. Penelitian ini bertujuan untuk menganalisis pola keterkaitan produk menggunakan metode association rule dengan algoritma FP-Growth pada data transaksi retail. Metode penelitian yang digunakan adalah Knowledge Discovery in Databases (KDD) yang meliputi tahap data selection, preprocessing, transformation, data mining, dan evaluation. Dataset yang digunakan terdiri dari 3.000 transaksi penjualan dengan 119 atribut produk dan diolah menggunakan aplikasi RapidMiner. Hasil penelitian menunjukkan bahwa algoritma FP-Growth mampu menemukan hubungan antar produk yang sering dibeli secara bersamaan oleh pelanggan. Aturan asosiasi dengan nilai confidence tertinggi diperoleh pada kombinasi Olive Oil dan Shrimp terhadap Green Tea dan Mineral Water dengan nilai confidence sebesar 67,4% dan support sebesar 58,2%. Hasil penelitian menunjukkan adanya hubungan yang kuat antar produk yang sering dibeli secara bersamaan oleh pelanggan. Informasi tersebut dapat dimanfaatkan sebagai dasar dalam penyusunan strategi bisnis, seperti promosi produk, pembuatan paket bundling, optimalisasi tata letak produk, pengelolaan persediaan barang, serta penerapan strategi cross-selling untuk meningkatkan penjualan dan kepuasan pelanggan

PANEL ADMIN MULTI-PERAN BERBASIS RBAC DENGAN PAYMENT GATEWAY MIDTRANS DAN AUTOMATED DUNNING PADA ISP LOKAL

Supangat Supangat, Ridho Aji Nugroho — Sat, 19 Sep 2026 12:44:05 +0700

Industri penyedia layanan internet (ISP) skala lokal di Indonesia menghadapi tekanan transformasi digital yang membutuhkan sistem operasional terintegrasi. Wikarta, ISP berbasis WISP di Surabaya, menghadapi tiga permasalahan utama: tidak adanya pembatasan hak akses berbasis peran yang terstruktur, proses rekonsiliasi pembayaran manual yang rawan ketidaksesuaian data (payment mismatch), dan ketiadaan sistem penagihan terstruktur yang menyebabkan tingkat keterlambatan pembayaran yang tinggi. Penelitian ini merancang dan mengimplementasikan panel admin berbasis web menggunakan Laravel 12.x yang mengintegrasikan tiga komponen: (1) Role-Based Access Control (RBAC) dengan empat peran menggunakan Spatie Laravel Permission berdasarkan prinsip least privilege dan separation of duties; (2) integrasi Midtrans dengan signature verification HMAC-SHA512 dan idempotency mechanism berbasis SHA-256; (3) automated dunning system berbasis Laravel Queue dan Horizon dengan notifikasi multi-channel pada tahap T-7, T-3, T-1, dan T+3. Pengembangan menggunakan model Waterfall. Evaluasi meliputi black-box testing, white-box testing (coverage ?70%), security testing OWASP WSTG v4.2, performance testing, dan UAT (SUS ?80). Hasil: black-box pass rate 100%, code coverage 73,2%, seluruh skenario OWASP aman, webhook p95 3,8 detik, SUS score 82,4, pelanggaran akses 0%, payment mismatch 0,3%, dunning SLA 99,7%. Penelitian ini menyediakan model implementasi panel admin terintegrasi bagi ISP skala kecil-menengah Indonesia

KLASIFIKASI JURNAL KESEHATAN DIGITAL MENGGUNAKAN TF-IDF DAN K-NEAREST NEIGHBOR

Neisya Nur Qoyimah, Otniel Silaban, Nur Khanifah, Laili Cahyani — Sat, 19 Sep 2026 12:45:03 +0700

Peningkatan jumlah publikasi ilmiah di bidang kesehatan digital dalam beberapa tahun terakhir menyebabkan proses penelusuran dan pengelompokan dokumen secara manual menjadi sulit dilakukan. Kondisi tersebut harus ada sistem yang mampu membantu proses pengolahan informasi secara cepat, efisien, dan akurat. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis pada abstrak jurnal kesehatan digital menggunakan kombinasi metode TF-IDF dan algoritma K-Nearest Neighbor (KNN). Penelitian ini juga memberikan kontribusi dalam penerapan pelabelan otomatis berbasis rule-based untuk membantu proses klasifikasi abstrak jurnal kesehatan digital menggunakan kombinasi metode TF-IDF dan algoritma K-Nearest Neighbor (KNN), yang masih belum banyak diterapkan di penelitian lain. Dataset yang digunakan terdiri dari 410 abstrak jurnal yang diproses melalui tahapan preprocessing, meliputi case folding, pembersihan tanda baca, tokenisasi, penghapusan stopword, dan stemming. Representasi numerik dilakukan menggunakan TF-IDF yang menghasilkan 4.753 fitur unik. Dataset memiliki distribusi label yang cukup seimbang yaitu 225 data kesehatan digital (54,88%) dan 185 non-digital (45,12%), serta dibagi menggunakan metode hold-out dengan komposisi 80% data latih (328 data) dan 20% data uji (82 data). Proses klasifikasi menggunakan algoritma KNN dengan nilai K=3 dan metrik cosine similarity. Hasil evaluasi menunjukkan performa model dengan accuracy 0,7195, precision 0,6667, recall 0,7895, dan F1-score 0,7229. Analisis confusion matrix menunjukkan 29 True Negative, 30 True Positive, 15 False Positive, dan 8 False Negative. Penelitian ini menunjukkan bahwa kombinasi TF-IDF dan KNN efektif untuk klasifikasi awal dokumen ilmiah, meskipun kualitas label otomatis dan keterbatasan dataset masih menjadi faktor yang perlu diperhatikan dalam pengembangan selanjutnya

STUDI KLASIFIKASI GERAK DUDUK-BERDIRI DENGAN ALGORITMA TRANSFORMER

Sat, 19 Sep 2026 12:45:25 +0700

Gerakan Sit-to-Stand (STS) merupakan aktivitas fungsional penting yang sering digunakan untuk mengevaluasi kemampuan mobilitas dan keseimbangan, khususnya pada kelompok lanjut usia. Informasi mengenai fase-fase gerakan STS diperlukan untuk mendukung pengembangan sistem pemantauan dan alat bantu mobilitas yang lebih aman. Penelitian ini mengusulkan penggunaan algoritma Transformer untuk mengklasifikasikan empat fase gerakan STS, yaitu Sit, Flexion, Extension, dan Stand, berdasarkan data sensor Inertial Measurement Unit (IMU). Data dikumpulkan dari delapan partisipan menggunakan dua sensor IMU yang dipasang pada korpus sterni dan tibia dengan frekuensi pengambilan data 100 Hz. Dataset terdiri atas 32.000 sampel dengan empat fitur utama berupa nilai roll dan pitch dari kedua sensor. Sebelum proses pelatihan, data melalui tahapan preprocessing yang meliputi penanganan missing value, winsorization, normalisasi min-max, encoding label, dan pembentukan data sekuensial menggunakan metode sliding window sepanjang 30 timestep. Model Transformer dikembangkan menggunakan TensorFlow dan dievaluasi menggunakan metode 10-Fold Stratified Cross Validation. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi sebesar 94%, meningkat signifikan dibandingkan pendekatan Artificial Neural Network (ANN) berbasis Multi-Layer Perceptron yang sebelumnya dengan akurasi 72%. Temuan ini menunjukkan bahwa mekanisme Self-Attention pada Transformer efektif dalam menangkap dependensi temporal data sensor sehingga mampu meningkatkan performa klasifikasi fase gerakan duduk-berdiri

OPTIMASI PENILAIAN KELAYAKAN PEMBIAYAAN SYARIAH MENGGUNAKAN ALGORITMA MACHINE LEARNING

Dwi Wibowo, Ifan Ali Muntaha, Putut Ade Irawan — Sun, 20 Sep 2026 08:48:52 +0700

Pembiayaan bermasalah (Non-Performing Financing/NPF) masih menjadi tantangan bagi koperasi syariah, sementara penilaian kelayakan yang mengandalkan analisis 5C dan skoring manual rentan terhadap inkonsistensi. Penelitian ini membandingkan Logistic Regression (LR), Random Forest (RF), dan XGBoost untuk memprediksi keputusan kelayakan pembiayaan syariah melalui studi simulasi. Karena data anggota riil belum tersedia, digunakan 2.000 data pengajuan sintetis yang dibangkitkan dengan distribusi dan aturan keputusan yang dilaporkan secara lengkap, meliputi usia, pendapatan, jumlah tanggungan, plafon, tenor, jenis agunan, dan skor karakter. Label Layak/Tidak Layak menirukan keputusan kelayakan, bukan kejadian gagal bayar. Mengikuti kerangka CRISP-DM, data dibagi secara stratified 80:20 sebelum pra-pemrosesan; One-Hot Encoding dan standarisasi dijalankan dalam pipeline yang hanya di-fit pada data latih, dan hyperparameter dipilih dengan GridSearchCV 5-fold. Dengan kelas positif Layak, pada data uji LR memperoleh akurasi 82,0% dan AUC 0,898, RF tuned memperoleh akurasi 82,5% dan AUC 0,901, sedangkan XGBoost tuned memperoleh akurasi 83,25%, presisi 81,6%, recall 75,0%, F1-score 78,2%, dan AUC 0,910. Pada validasi silang, AUC ketiga model berada pada rentang 0,883–0,891 dengan selisih yang lebih kecil daripada simpangan bakunya. XGBoost menghasilkan performa terbaik pada data pengujian penelitian ini, tetapi keunggulannya tipis. Skor Karakter, jenis agunan, dan pendapatan bulanan merupakan fitur dengan kontribusi terbesar, sesuai rancangan simulasi. Hasil ini perlu dikonfirmasi dengan data koperasi riil sebelum model digunakan sebagai alat bantu keputusan