Random - JURIS - Juru Riset - Kompilasi Jurnal Akademik Indonesia

Selection of the Best E Commerce Platform Based on User Ratings using a Combination Entropy and SAW Methods

2026-05-07T08:29:49+07:00

#calendar - Selection of the Best E-Commerce Platform Based on User Ratings using a Combination Entropy and SAW Methods: Untuk penelitian lanjutan, dapat dipertimbangkan beberapa saran berikut: Pertama, melakukan studi komparatif antara metode Entropy dan SAW dengan metode-metode lain dalam pengambilan keputusan multi-kriteria, untuk mengeksplorasi keunggulan dan kelemahan masing-masing metode. Kedua, mengembangkan sistem rekomendasi platform e-commerce yang lebih komprehensif dengan mempertimbangkan lebih banyak kriteria dan variabel, serta mengintegrasikan metode-metode lain untuk meningkatkan akurasi dan relevansi rekomendasi. Ketiga, melakukan penelitian empiris yang lebih mendalam untuk menguji validitas dan keandalan metode kombinasi Entropy dan SAW dalam konteks pengambilan keputusan platform e-commerce, dengan melibatkan lebih banyak responden dan platform e-commerce yang beragam..
Penelitian ini memberikan kontribusi signifikan dalam pengambilan keputusan multi-kriteria dengan menerapkan kombinasi metode Entropy dan SAW untuk mengevaluasi dan menentukan platform e-commerce terbaik berdasarkan penilaian pengguna.Hasil penelitian ini dapat digunakan sebagai referensi praktis sebagai dasar pengambilan keputusan strategis dalam memilih platform e-commerce yang paling sesuai dengan kebutuhan pasar
Memilih platform e-commerce yang tepat memiliki peran penting bagi konsumen dan pelaku bisnis. Bagi konsumen, platform yang andal dan ramah pengguna memberikan pengalaman belanja yang aman, nyaman, dan efisien. Fitur seperti navigasi yang mudah, sistem pembayaran yang andal, dan layanan pelanggan yang responsif akan meningkatkan kepuasan dan loyalitas pelanggan. Sementara itu, bagi pelaku bisnis, memilih platform yang tepat dapat mendukung pertumbuhan bisnis melalui fitur manajemen produk yang baik, integrasi logistik, dan analisis penjualan yang membantu pengambilan keputusan strategis. Platform yang mendukung promosi dan optimasi pencarian juga membuka peluang yang lebih besar untuk menjangkau pasar yang lebih...
Kunjungi calendar untuk informasi lainnya.

Rekonstruksi Epistemologis Metodologi Penelitian Hukum Integrasi Pendekatan Normatif dan Empiris

2026-05-07T08:19:16+07:00

#calendar - Rekonstruksi Epistemologis Metodologi Penelitian Hukum: Integrasi Pendekatan Normatif dan Empiris: Untuk meningkatkan kualitas penelitian hukum, perlu dilakukan integrasi antara pendekatan normatif dan empiris. Pendekatan normatif dapat digunakan untuk membangun kerangka konseptual yang kuat dan memberikan kepastian dalam sistem hukum, sementara pendekatan empiris dapat digunakan untuk memahami implementasi norma hukum dan respons sosial terhadap kebijakan hukum. Selain itu, penelitian hukum juga dapat memanfaatkan metode kualitatif dan kuantitatif untuk memperoleh pemahaman yang lebih komprehensif tentang realitas hukum modern. Dengan demikian, penelitian hukum yang lebih adaptif, reflektif, dan multidisipliner dapat dihasilkan, sehingga mampu menjawab tantangan globalisasi dan transformasi digital..
Penelitian ini menegaskan bahwa baik pendekatan normatif maupun empiris memiliki kontribusi epistemologis yang unik namun saling melengkapi.Pendekatan normatif unggul dalam ketajaman konseptual dan konsistensi sistematik, sedangkan pendekatan empiris unggul dalam kredibilitas data sosial dan relevansi praktis.Keduanya tidak dapat dipisahkan jika tujuan penelitian adalah memahami hukum secara utuh.Oleh karena itu, rekonstruksi metodologi penelitian hukum di Indonesia harus melangkah ke arah model integratif-reflektif yang menggabungkan unsur normatif, empiris, dan sosio-legal.Model ini menuntut peneliti memiliki kemampuan "menjembatani" tatanan normatif dengan realitas empiris.Penerapan paradigma baru semacam ini diharapkan memperkuat relevansi ilmiah dan sosial penelitian hukum, sehingga menghasilkan kajian yang lebih kontekstual, transformatif, dan akuntabel
Penelitian hukum konvensional di Indonesia umumnya didominasi oleh pendekatan normatif doktrinal yang menekankan analisis teks hukum (law in books). Sementara itu, pendekatan empiris atau sosiologis (law in action) berfokus pada realitas sosial dan perilaku hukum di masyarakat. Artikel ini membandingkan secara epistemologis kedua pendekatan tersebut dalam konteks masalah hukum kontemporer, menelaah kekuatan dan keterbatasannya, serta mengusulkan model metodologis integratif-reflektif. Hasil kajian menunjukkan bahwa pendekatan normatif unggul dalam konstruksi sistem dan preskripsi, sedangkan pendekatan empiris...
Kunjungi calendar untuk informasi lainnya.

Implementasi Deep Learning Algoritma Convolutional Neural Network untuk Klasifikasi Kesegaran Buah dan Sayur

2026-05-07T08:02:31+07:00

#calendar - Implementasi Deep Learning Algoritma Convolutional Neural Network untuk Klasifikasi Kesegaran Buah dan Sayur: Untuk penelitian lanjutan, disarankan untuk meningkatkan generalisasi model dengan menggunakan dataset yang lebih beragam dan mengintegrasikan komputasi tepi (edge computing) untuk inspeksi kualitas langsung di lokasi. Selain itu, perlu dipertimbangkan untuk memperluas jumlah kelas dan jenis buah serta sayuran guna meningkatkan generalisasi model. Teknik augmentasi data, fine-tuning arsitektur, serta optimasi parameter pelatihan dapat diterapkan untuk meningkatkan akurasi. Pengembangan ini diharapkan dapat meningkatkan kualitas penelitian dan berkontribusi lebih luas dalam penerapan machine learning untuk klasifikasi kesegaran buah dan sayuran..
Penelitian ini berhasil mengembangkan dan mengevaluasi model Convolutional Neural Network (CNN) untuk mengklasifikasikan gambar buah dalam 14 kelas berdasarkan kondisi segar dan busuk.Dataset yang digunakan terdiri dari total 11.441 gambar, yang dibagi ke dalam tiga subset utama.Pembagian dilakukan dengan mempertahankan distribusi kelas secara merata (stratifikasi) guna memastikan keadilan dalam proses pelatihan dan pengujian.Hasil penelitian menunjukkan akurasi tinggi pada sebagian besar kelas, dengan prediksi benar lebih dominan.Kesalahan kecil terjadi pada kategori mirip, seperti fresh-apples diprediksi sebagai rotten-categories, namun jumlahnya sedikit.False Negative cenderung terjadi pada kelas seperti 'rotten-tomato' karena kemiripan visual dengan kelas lain.Model memiliki akurasi keseluruhan 95% dengan performa terbaik pada fresh-banana & rotten-banana (precision sempurna, recall hampir sempurna).Namun, masih ada ruang perbaikan untuk kelas tertentu seperti rotten-tomato
Buah dan sayur merupakan sumber utama vitamin, mineral, dan serat yang sangat penting untuk menjaga kesehatan tubuh. WHO merekomendasikan konsumsi sebesar 400 gram per hari untuk gizi seimbang. Namun, kualitas dan kesegaran buah dan sayur sering kali sulit diidentifikasikan secara manual, terutama dalam skala besar, karena metode tradisional memiliki keterbatasan akurasi dan rentan terhadap kesalahan manusia. Kemajuan kecerdasan buatan, khususnya deep learning, memberikan solusi inovatif dalam klasifikasi citra. Convolutional Neural Network (CNN) telah terbukti efektif dalam pengenalan dan klasifikasi gambar. Penelitian ini menerapkan CNN dengan arsitektur Inception V3 dalam mengklasifikasikan kesegaran buah dan sayuran menjadi dua kategori utama, yaitu segar...
Kunjungi calendar untuk informasi lainnya.

Systematic Literature Review SLR Model LRFM dan Pengelompokan K Means untuk Strategi Retensi Pelanggan B2B

2026-05-07T07:49:38+07:00

#calendar - Systematic Literature Review (SLR) Model LRFM dan Pengelompokan K-Means untuk Strategi Retensi Pelanggan B2B: Untuk menjembatani kesenjangan analitik B2B, penelitian selanjutnya dapat fokus pada tiga arah utama: pertama, adaptasi dan pengayaan model LRFM untuk konteks B2B dengan memasukkan variabel yang merepresentasikan nilai hubungan bisnis jangka panjang; kedua, validasi empiris pada sektor B2B yang masih kurang terwakili dalam literatur; dan ketiga, pengembangan alat pendukung pengambilan keputusan berbasis analitik pelanggan yang membantu manajer B2B dalam merancang strategi retensi yang lebih efektif. Dengan demikian, penelitian ini membuka peluang untuk pengembangan metode analitik pelanggan yang lebih kontekstual untuk sektor-sektor B2B..
Penelitian ini menyimpulkan bahwa integrasi model LRFM dan algoritma K-Means telah menjadi pendekatan yang banyak digunakan dalam literatur analitik pelanggan, khususnya untuk mendukung strategi retensi pelanggan berbasis data.Hasil sintesis mengungkapkan adanya bias kontekstual yang signifikan dalam literatur yang ada, di mana penerapan LRFM dan K-Means masih didominasi oleh studi-studi pada konteks B2C.Sebagai kontribusi utama, artikel ini memberikan pemetaan literatur yang sistematis terkait penerapan LRFM dan K-Means, mengidentifikasi kesenjangan penelitian pada konteks B2B, serta mengusulkan kerangka konseptual LRFM-B2B sebagai agenda penelitian masa depan
Dalam era persaingan pasar yang semakin ketat, strategi retensi pelanggan berbasis data menjadi krusial, khususnya dalam konteks Business-to-Business (B2B) yang masih relatif terbatas dibahas dalam literatur. Penelitian ini merupakan Systematic Literature Review (SLR) yang bertujuan untuk memetakan dan mensintesis penelitian terkait penerapan model LRFM (Length, Recency, Frequency, Monetary) dan algoritma K-Means dalam strategi retensi pelanggan. Hasil kajian menunjukkan bahwa sebagian besar penelitian LRFM dan K-Means masih berfokus pada konteks B2C, sementara penerapannya dalam lingkungan B2B relatif terbatas dan belum terkonseptualisasi secara memadai. Berdasarkan kesenjangan tersebut, artikel ini mengusulkan kerangka konseptual LRFM-B2B sebagai agenda penelitian...
Kunjungi calendar untuk informasi lainnya.

Arsitektur Mesh 6G IoT Menggunakan Intelligent Reflecting Surfaces IRS untuk Optimasi Sinyal di Area yang Sulit Dijangkau

2026-05-07T07:38:08+07:00

#calendar - Arsitektur Mesh 6G-IoT Menggunakan Intelligent Reflecting Surfaces (IRS) untuk Optimasi Sinyal di Area yang Sulit Dijangkau: Untuk penelitian lanjutan, disarankan untuk mengembangkan algoritma optimasi gabungan meshAeIRS berbasis Machine Learning, yang dapat meningkatkan efisiensi dan akurasi dalam mengoptimalkan sinyal di area sulit jangkau. Selain itu, studi multi-IRS dan penempatan IRS optimal di area geografi nyata dapat dilakukan untuk memahami dampak penempatan IRS terhadap cakupan dan kualitas sinyal. Implementasi prototipe pada testbed 6G-IoT skala kecil di lingkungan pedesaan atau kampus juga dapat memberikan wawasan praktis dan menguji kinerja arsitektur mesh IRS dalam skenario nyata..
Penelitian ini mengusulkan arsitektur mesh 6G-IoT berbasis Intelligent Reflecting Surfaces (IRS) untuk mengoptimasi sinyal di area yang sulit dijangkau.Arsitektur tersebut menggabungkan kekuatan jaringan mesh sebagai perluasan cakupan multi-hop dengan kemampuan IRS dalam membentuk ulang lingkungan propagasi radio secara cerdas.Hasil simulasi konseptual menunjukkan peningkatan SINR rata-rata dan penurunan outage, serta perluasan cakupan area yang memenuhi QoS IoT.Selain itu, arsitektur ini menawarkan jalur menuju solusi yang lebih hemat energi dibandingkan sekadar menambah base station.Saran penelitian lanjutan dapat mencakup pengembangan algoritma optimasi gabungan meshAeIRS berbasis Machine Learning, studi multi-IRS dan penempatan IRS optimal di area geografi nyata, serta implementasi prototipe pada testbed 6G-IoT skala kecil di lingkungan pedesaan atau kampus
Perkembangan jaringan 6G diproyeksikan menjadi fondasi utama bagi ekosistem Internet of Things (IoT) berskala masif dengan kebutuhan cakupan yang luas, latensi sangat rendah, serta efisiensi energi tinggi. Namun, area sulit jangkau seperti pedesaan terpencil, daerah pegunungan, atau wilayah dengan banyak halangan fisik masih menjadi tantangan utama bagi operator jaringan. Di sisi lain, arsitektur jaringan mesh dan teknologi Intelligent Reflecting Surfaces (IRS) muncul sebagai kandidat kuat untuk membentuk lingkungan radio yang dapat diprogram dan memperluas jangkauan sinyal tanpa menambah daya pancar secara signifikan. Artikel ini mengusulkan sebuah arsitektur mesh 6G-IoT berbasis IRS yang dirancang khusus untuk mengoptimasi kualitas sinyal di area sulit jangkau. Kontribusi utama penelitian ini meliputi: (1) perancangan...
Kunjungi calendar untuk informasi lainnya.

Fitur Information Gain untuk Meningkatkan Nilai Performa Pengklasifikasi Machine Learning pada Analisis Sentimen Komentar Spam Pengguna Youtube

2026-05-07T07:27:31+07:00

#calendar - Fitur Information Gain untuk Meningkatkan Nilai Performa Pengklasifikasi Machine Learning pada Analisis Sentimen Komentar Spam Pengguna Youtube: Pengembangan penelitian selanjutnya dapat menyelidiki integrasi algoritma ensemble seperti Voting Classifier atau Blending untuk menggabungkan keunggulan Nayve Bayes, KNN, dan Random Forest sehingga dapat menurunkan tingkat false positive dan false negative secara simultan; melanjutkan studi dengan menerapkan teknik augmentasi teks dan balancing data (misalnya SMOTE) guna menghadapi ketidakseimbangan kelas spam dan ham serta memaksimalkan pemanfaatan informasi konteks kalimat melalui model embedding modern seperti BERT atau FastText; serta melakukan evaluasi transfer learning dengan memanfaatkan dataset komentar YouTube lain atau platform media sosial berbeda agar model dapat lebih generalisasi, sehingga dapat menyediakan sistem deteksi spam real-time yang adaptif terhadap dinamika konten dan perilaku pengguna..
Eksperimen menunjukkan peningkatan akurasi, presisi, recall, dan f1-score pada semua algoritma setelah penerapan information gain.KNN memberikan akurasi tertinggi 81,28% dan kinerja seimbang pada semua metrik.Kelemahan masih terletak pada tinggi rasio false positive dan false negative.Penelitian lanjutan dapat difokuskan pada optimasi hyperparameter, penerapan teknik praproses lanjutan, dan perluasan dataset untuk meningkatkan akurasi serta generalisasi model
Perkembangan pesat media sosial telah memberikan ruang bagi setiap individu untuk menyampaikan pendapat, baik berupa komentar positif maupun negatif terhadap konten yang mereka akses. Kemudahan dalam memberikan opini secara daring ini berdampak pada semakin besarnya jumlah ulasan yang tersedia. Namun, volume ulasan yang sangat besar sering kali sulit untuk dianalisis secara manual dan berpotensi menimbulkan bias dalam penilaian. Untuk mengatasi permasalahan tersebut, diperlukan pendekatan otomatis melalui klasifikasi sentimen yang bertujuan mengelompokkan opini pengguna ke dalam kategori positif atau negatif. Dalam penelitian ini digunakan tiga algoritma pembelajaran...
Kunjungi calendar untuk informasi lainnya.

Grey Wolf Optimizer untuk Seleksi Fitur pada Deteksi Kecacatan Perangkat Lunak

2026-05-07T07:27:28+07:00

#calendar - Grey Wolf Optimizer untuk Seleksi Fitur pada Deteksi Kecacatan Perangkat Lunak: Pertanyaan penelitian baru dapat mengkaji efektivitas GWO bila dikombinasikan dengan teknik pengoptimalan hyperparameter SVM secara bersamaan, sehingga dapat menentukan konfigurasi model SVM yang paling optimal dalam konteks deteksi kecacatan perangkat lunak. Selain itu, studi lanjutan dapat mengeksplorasi penerapan GWO pada dataset perangkat lunak lain yang memiliki karakteristik distribusi kelas berbeda, untuk menilai generalisasi metode ini. Terakhir, penelitian yang ditujukan untuk membandingkan performa GWO dengan algoritma metaAcheuristik hybrid (misalnya gabungan GWOAcPSO atau GWOAcGA) dapat membuka perspektif baru dalam meningkatkan kualitas seleksi fitur dan akurasi klasifikasi..
Hasil eksperimen menunjukkan bahwa penggunaan Grey Wolf Optimizer (GWO) dalam seleksi fitur pada model Support Vector Machine (SVM) menghasilkan kinerja terbaik dalam deteksi kecacatan perangkat lunak.GWO secara konsisten meningkatkan akurasi, presisi, recall, dan skor F1 dibandingkan dengan penggunaan semua fitur maupun dengan metode seleksi fitur lain seperti Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Firefly Algorithm (FFA).Keunggulan GWO didukung oleh pengurangan jumlah fitur yang terpilih secara signifikan, sehingga meminimalkan dimensi data sekaligus menjaga atau meningkatkan kualitas prediksi.Oleh karena itu, GWO dapat menjadi pilihan optimal untuk seleksi fitur pada tugas deteksi kecacatan perangkat lunak, terutama pada dataset NASA MDP
Deteksi kecacatan perangkat lunak berperan penting dalam mengidentifikasi komponen yang berpotensi bermasalah sebelum kegagalan terjadi. Penelitian ini mengevaluasi penerapan Grey Wolf Optimizer (GWO) untuk seleksi fitur pada deteksi kecacatan perangkat lunak menggunakan Support Vector Machine (SVM), serta membandingkan kinerjanya dengan Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Firefly Algorithm (FFA). Evaluasi dilakukan pada 12 dataset NASA Metrics Data Program (NASA MDP) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas. Hasil menunjukkan bahwa seleksi...
Kunjungi calendar untuk informasi lainnya.

Implementasi Sistem Pemantauan dan Pengendalian Pada Budidaya Jamur Tiram Berbasis Internet Of Things Menggunakan Logika Fuzzy

2026-05-07T07:19:10+07:00

#calendar - Implementasi Sistem Pemantauan dan Pengendalian Pada Budidaya Jamur Tiram Berbasis Internet Of Things Menggunakan Logika Fuzzy: Untuk meningkatkan efektivitas sistem, perlu dilakukan pengembangan kapasitas sistem agar dapat mengakomodasi lebih banyak baglog. Dengan peningkatan kapasitas ini, diharapkan sistem dapat lebih efektif dalam optimalisasi budidaya jamur tiram dan berdampak signifikan dalam periode waktu yang lebih singkat. Selain itu, penelitian lanjutan dapat berfokus pada pengembangan sistem yang lebih canggih dengan menggunakan teknologi IoT dan kecerdasan artifisial untuk meningkatkan produktivitas dan efisiensi budidaya jamur tiram..
Dari keseluruhan proses penelitian, dapat ditarik kesimpulan bahwa sistem berhasil memenuhi kebutuhan yang ada untuk membuat proses budidaya menjadi lebih optimal, seperti memantau kondisi lingkungan serta dan menyampaikannya kepada pengguna.Selain itu, sistem juga dapat melakukan pengendalian otomatis dan akurat terhadap kondisi lingkungan yang ada.Sistem mampu beroperasi untuk menjaga kondisi kumbung selama 24 jam penuh untuk menjaga kondisi kumbung tetap ideal.Penggunaan sistem ini juga berdampak terhadap hasil panen jamur tiram yang lebih maksimal
Jamur tiram saat ini mulai banyak dibudidayakan oleh masyarakat perkotaan. Namun, suhu dan kelembapan yang ada di perkotaan kurang sesuai untuk pertumbuhan jamur tiram yang membutuhkan suhu 24 - 27 AC dan kelembapan 80 - 90%. Penelitian ini bertujuan untuk mengembangkan sistem berbasis Internet of Things dan Logika Fuzzy dengan Metode Tsukamoto yang dapat memantau serta mengendalikan kondisi suhu dan kelembapan pada kumbung jamur tiram. Pengujian membuktikan bahwa sistem mampu memantau kondisi suhu dan kelembapan secara real time dan menginformasikannya kepada petani. Selain itu, sistem juga terbukti dapat menjaga...
Kunjungi calendar untuk informasi lainnya.

Digital Cockpit Multiplatform Modular dari Human Digital Twin

2026-05-07T07:16:14+07:00

#calendar - Digital Cockpit Multiplatform Modular dari Human Digital Twin: Pertanyaan penelitian baru dapat difokuskan pada bagaimana integrasi modul AI dan model prediksi longitudinal dapat meningkatkan akurasi deteksi anomali kardiovaskular di dalam Digital Cockpit ini, serta bagaimana arsitektur PWA dapat disesuaikan untuk mendukung notifikasi realActime pada jaringan seluler berbandwidth rendah; selanjutnya, studi longitudinal perlu dijalankan untuk mengukur dampak penggunaan PWA DC terhadap hasil klinis pasien jantung serta kepuasan pengguna, dan terakhir, evaluasi keamanan data dan kepatuhan GDPR harus diimplementasikan untuk memastikan proteksi pasien dalam sistem yang terhubung secara terusActerus..
Penelitian ini berhasil menyajikan dan memvalidasi sistem DC inovatif untuk pemantauan HDT kardiovaskular dengan arsitektur modular yang memisahkan antarmuka depan dan belakang.Implementasi PWA sebagai antarmuka depan terbukti efektif, menawarkan pengalaman mirip aplikasi native serta fungsionalitas offline-first melalui Service Worker.Keandalan serta kompatibilitas tinggi di berbagai platform menunjukkan bahwa solusi ini siap diterapkan untuk meningkatkan kontinuitas layanan pemantauan kesehatan digital
Teknologi Digital Twin (DT) telah diadaptasi menjadi Human Digital Twin (HDT) untuk pemantauan kesehatan secara real-time. Namun, sistem pemantauan kesehatan berbasis HDT saat ini terkendala masalah skalabilitas, fleksibilitas antarmuka, dan ketergantungan pada koneksi internet. Arsitektur monolitik konvensional menghambat integrasi fitur dan adaptasi platform, sementara kebutuhan akan layanan berkelanjutan seringkali tidak terpenuhi. Untuk mengatasi kesenjangan penelitian ini, studi ini mengusulkan solusi dengan merancang dan mengimplementasikan Digital Cockpit...
Kunjungi calendar untuk informasi lainnya.

Pengembangan Sistem E Learning Inklusif Cerdas untuk Tuna Netra dengan Integrasi Teknologi Voice Command danAText To Speech

2026-05-07T07:07:41+07:00

#calendar - Pengembangan Sistem E-Learning Inklusif Cerdas untuk Tuna Netra dengan Integrasi Teknologi Voice Command danAText-To-Speech: Pertama, lakukan studi longitudinal yang melibatkan kelompok tunanetra dalam penggunaan sistem selama 3 bulan guna mengukur peningkatan pemahaman materi dan kepuasan pengguna. Kedua, perbaiki sistem dengan menambahkan modul penyesuaian suara dan pilihan bahasa agar dapat disesuaikan dengan preferensi individual setiap pengguna, serta uji fungsionalitasnya melalui eksperimen A/B. Ketiga, penelitian lanjutan dapat meneliti integrasi AI untuk menerjemahkan konten visual menjadi teks deskriptif otomatis, sehingga memperkaya aksesibilitas bagi pengguna dengan kebutuhan sensorik yang lebih luas..
Sistem e-learning dengan fitur voice command dan text-to-speech menunjukkan potensi besar untuk meningkatkan aksesibilitas bagi tunanetra.Evaluasi langsung dengan pengguna tunanetra diperlukan untuk menilai efektivitas nyata.Pengembangan lebih lanjut sebaiknya menambahkan opsi bahasa, penyesuaian suara, dan pengujian usability yang melibatkan peserta lebih banyak
Aksesibilitas menjadi tantangan utama dalam e-learning bagi penyandang tunanetra karena keterbatasan visual dalam memahami konten digital. Penelitian ini bertujuan mengembangkan sistem e-learning inklusif dengan fitur voice command dan text-to-speech untuk mendukung interaksi non-visual. Pengembangan sistem dilakukan menggunakan metode Agile Scrum dalam beberapa siklus sprint, yang mencakup tahapan product backlog, sprint planning, daily scrum, sprint review, dan sprint retrospective. Sistem dirancang dalam arsitektur tiga lapisan, dengan React.js pada sisi klien dan Node.js pada sisi server, serta mengintegrasikan layanan API Gemini untuk pemrosesan suara dan teks ke audio. Validasi sistem dilakukan secara internal melalui dokumentasi sprint review...
Kunjungi calendar untuk informasi lainnya.

Simplifikasi Graf Pemanggilan Fungsi Pendekatan Community Detection Untuk Mempermudah Pemahaman Struktur Kode

2026-05-07T06:30:09+07:00

#calendar - Simplifikasi Graf Pemanggilan Fungsi: Pendekatan Community Detection Untuk Mempermudah Pemahaman Struktur Kode: Untuk penelitian lanjutan, dapat dipertimbangkan pengembangan kakas yang lebih canggih dengan mengintegrasikan algoritma community detection lainnya, seperti Louvain atau k-core, untuk meningkatkan performa pada graf berskala besar. Selain itu, optimasi kakas ini untuk bekerja dengan bahasa pemrograman lain serta memperluas fungsionalitas UI interaktif dapat menjadi peluang penelitian lanjutan. Integrasi algoritma optimasi untuk analisis graf yang lebih besar akan memperluas aplikasi dari kakas ini dan memberikan fleksibilitas yang lebih besar bagi pengembang..
Kakas simplifikasi graf pemanggilan fungsi menggunakan community detection efektif dalam menyederhanakan struktur graf dan mempermudah analisis kode sumber perangkat lunak berskala besar.Penggunaan pustaka Python seperti ast, networkx, dan matplotlib memungkinkan pembangunan, simplifikasi, dan visualisasi graf secara efisien.Hasil eksperimen menunjukkan bahwa teknik ini mampu mengurangi kompleksitas graf hingga 60% tanpa kehilangan informasi penting.Kakas yang dikembangkan memberikan kemudahan bagi pengembang dalam menganalisis struktur fungsional dan kode, mengidentifikasi modul penting, dan mempercepat proses pengembangan perangkat lunak
Dalam pengembangan perangkat lunak skala besar, pemahaman terhadap struktur kode sangat penting untuk menganalisis interaksi antar-fungsi dalam kode sumber. Graf pemanggilan fungsi (function call graph) merupakan kakas yang efektif untuk memetakan hubungan antar-fungsi, yang membantu pengembang dalam menelusuri jalur eksekusi dan memahami pola struktur kode modular yang kompleks. Namun, pada kode sumber yang rumit, graf pemanggilan fungsi sering kali menjadi sangat besar dan sulit diinterpretasi karena banyaknya node dan edge yang terlibat. Untuk mengatasi masalah...
Kunjungi calendar untuk informasi lainnya.

Pemberian Bobot Kriteria dan Penambahan Fitur pada Metode SQL Complexity dalam Mengukur Kompleksitas Perangkat Lunak

2026-05-07T06:24:58+07:00

#calendar - Pemberian Bobot Kriteria dan Penambahan Fitur pada Metode SQL Complexity dalam Mengukur Kompleksitas Perangkat Lunak: Penelitian lanjutan dapat memanfaatkan data aplikasi open source yang lebih beragam untuk menguji keefektifan metode ini pada skenario kompleksitas yang lebih tinggi, serta menyelidiki integrasi teknik pembelajaran mesin untuk otomatisasi penentuan bobot kriteria berdasarkan metrik kode yang dihasilkan. Selanjutnya, pengembangan modul evaluasi yang menilai dampak fitur SQL tambahan pada performa eksekusi query akan memberikan pemahaman yang lebih lengkap mengenai hubungan kompleksitas dan kinerja. Akhirnya, studi longitudinal yang memantau perubahan kompleksitas selama siklus hidup pengembangan dapat menginformasikan strategi perencanaan project yang lebih proaktif..
Metode yang memodifikasi bobot kriteria pada file model, view, dan controller serta menambahkan fitur baru ke SQL Complexity dapat mengukur kompleksitas perangkat lunak dengan akurasi 87,5A%.Penambahan fitur baru pada SQL Complexity mencapai akurasi 100A% terhadap penilaian ahli, menunjukkan keunggulan adaptif metode tersebut dibandingkan pendekatan sebelumnya
Meningkatkan kemampuan pengukuran kompleksitas perangkat lunak secara adaptif merupakan hal penting untuk membantu project manager memperkirakan usaha yang dibutuhkan. Penelitian sebelumnya menggunakan metode SQL Complexity namun tidak dapat mengenali perintah Transact SQL dan memberikan bobot yang sama pada ketiga kriteria file model, view, dan controller. Penelitian ini mengusulkan metode yang memodifikasi tiga tahap: (1) pemberian bobot berbeda pada setiap file model, view, dan controller, (2) penambahan fitur baru (function, store procedure, trigger, dan view) ke dalam perhitungan SQL Complexity, dan (3) pengukuran tingkat kemiripan antar modul menggunakan Cosine Similarity. Hasilnya menunjukkan bahwa metode yang diusulkan dapat mengadaptasi prioritas penggunaan...
Kunjungi calendar untuk informasi lainnya.