The Kellgren-Lawrence (KL) grading system is commonly used to evaluate knee osteoarthritis (OA), but it can be subjective and subject to variation among assessors. Our study looked at three Convolutional Neural Network (CNN) methods for OA severity classification from a dataset of 15,770 X-ray images to overcome this difficulty and create a more objective technique. Under the same preprocessing conditions, we contrasted a baseline custom CNN, DenseNet201, and a hybrid model with a CBAM attention mechanism. With an overall accuracy of 65%, a weighted precision and recall of 65%, and an F1-score of 64%, the hybrid model, which uses DenseNet201 as a fixed feature extractor, performed the best. This was better than both the baseline model (59% accuracy) and the standalone DenseNet201 (59% accuracy). Although the hybrid architecture has a lot of promise, we also had to deal with issues like overfitting. Our thorough comparison demonstrates how this hybrid strategy can successfully combine strong pre-trained features with the flexibility required for particular tasks. Although more clinical validation is necessary, this shows that automated systems like ours could improve diagnostic consistency in OA grading.
 
Keywords - Knee Osteoarthritis, Kellgren-Lawrence Grading, Deep Learning, Attention Mechanism, CBAM

Ledakan data transaksi ritel yang terekam melalui sistem Point of Sale (POS) dan platform daring menuntut metode analisis yang efektif untuk menggali pola pembelian konsumen. Association Rule Mining merupakan pendekatan populer untuk menemukan keterkaitan antarproduk, dengan algoritma Apriori dan FP-Growth sebagai dua metode yang paling banyak digunakan. Penelitian ini bertujuan memberikan gambaran empiris mengenai efektivitas kedua algoritma tersebut pada data transaksi ritel yang nyata. Metode yang digunakan meliputi tahapan data understanding untuk mengenali struktur data, data cleaning untuk menghapus nilai kosong dan menyeragamkan format, serta data transformation menggunakan TransactionEncoder untuk mengubah data mentah menjadi format biner (one-hot encoded). Selanjutnya algoritma Apriori dan FP-Growth dijalankan dengan parameter yang sama untuk menghasilkan frequent itemsets dan aturan asosiasi. Evaluasi kinerja dilakukan dengan mengukur waktu pemrosesan, jumlah aturan yang dihasilkan, serta nilai support, confidence, dan lift tertinggi. Hasil penelitian menunjukkan bahwa kedua algoritma menghasilkan jumlah aturan yang sama (63 aturan) dengan support tertinggi 0,06, confidence tertinggi 0,51, dan lift tertinggi 3,29, tetapi waktu pemrosesan berbeda signifikan (Apriori 0,39 detik, FP-Growth 6,95 detik). Kesimpulannya, association rule mining efektif mengungkap pola pembelian konsumen, dan algoritma Apriori lebih efisien untuk dataset kecil hingga menengah, sedangkan FP-Growth lebih sesuai untuk dataset yang jauh lebih besar.
Keywords - Association Rules, Apriori, FP-Growth, Frequent Itemset, Transaksi Ritel.

Aktivitas gelombang otak (EEG) dapat digunakan untuk mengenali respons manusia terhadap stimulus sensorik, termasuk persepsi rasa. Penelitian ini bertujuan untuk mengklasifikasikan aktivitas otak terhadap dua jenis stimulus rasa, yaitu rasa manis (Susu) dan rasa asam (Lemon), menggunakan sinyal EEG pada subband Beta (12–25 Hz) dengan pendekatan machine learning. Penelitian ini merupakan pengembangan dari studi sebelumnya yang hanya menampilkan visualisasi topografi otak (brain heatmap), dengan menambahkan analisis klasifikasi otomatis berbasis kecerdasan buatan. Data EEG direkam dari empat kanal utama, yaitu T3, T4, CP1, dan CP2, kemudian diekstraksi menggunakan dua fitur utama: Mean Absolute Value (MAV) dan Variance (VAR). Total data yang digunakan sebanyak 10.644 potong data (3.550 Susu dan 7.094 Lemon). Tiga algoritma machine learning digunakan untuk membandingkan performa klasifikasi, yaitu Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Decision Tree (DT). Hasil pengujian menunjukkan bahwa Decision Tree menghasilkan performa terbaik dengan akurasi 84,0%, F1-score 0,727, dan ROC AUC 0,789, diikuti oleh KNN dengan akurasi 76,6%. Model SVM linear menunjukkan performa terendah akibat ketidakseimbangan data dan distribusi non-linear. Hasil ini membuktikan bahwa fitur EEG pada subband Beta dapat digunakan untuk membedakan stimulus rasa manis dan asam secara objektif. Penelitian ini memberikan kontribusi terhadap pengembangan sistem EEG-based Taste Recognition dan membuka peluang penerapan dalam bidang neurogastronomi serta Brain–Computer Interface (BCI).
Kata kunci: EEG, subband Beta, klasifikasi rasa, machine learning, Decision Tree.

Pengelompokan siswa berbasis data sangat penting untuk mendukung evaluasi yang adil dan menyeluruh, mengingat penilaian potensi selama ini cenderung terfokus pada aspek akademik saja. Penelitian ini mengembangkan sistem rekomendasi regu inti lomba kepramukaan menggunakan algoritma K-Means Clustering, dengan dataset berisi 120 siswa SMP yang dinilai berdasarkan parameter akademik, non-akademik, serta pencapaian SKU dan SKK. Jumlah cluster ditentukan sebanyak 24, sesuai dengan kategori lomba berdasarkan aturan Kwarnas mengenai lomba pramuka tingkat penggalang. Proses pengolahan data meliputi normalisasi dan reduksi dimensi menggunakan Principal Component Analysis (PCA). Evaluasi kualitas clustering dilakukan menggunakan metrik Silhouette Score dan Davies–Bouldin Index (DBI). Hasil terbaik diperoleh pada konfigurasi random_state = 42, n_init = 20, dan max_iter = 300, dengan Silhouette Score sebesar 0,1238 dan DBI sebesar 1,4418. Meskipun kualitas pengelompokan tergolong rendah dengan hasil Silhoutte Score = 0.102 dan DBI = 1.362, sistem ini tetap memberikan solusi objektif bagi pembina dalam memilih siswa berpotensi secara adil dan menyeluruh. Sistem ini juga menjawab keluhan orang tua terkait ketidakterlibatan anak dalam lomba, karena pemilihan dilakukan berdasarkan potensi keseluruhan kategori lomba, bukan hanya satu kategori untuk membentuk tim regu inti pramuka.
 
Kata kunci: K-Means Clustering, Principal Component Analysis (PCA), Silhouette Score, Davies–Bouldin Index, Regu Inti Pramuka.

Salah satu masalah utama dalam sistem prediksi adalah ketidakseimbangan data, di mana kelas tertentu sangat kurang terwakili dibandingkan dengan kelas lainnya. Ketidakseimbangan data dapat menyebabkan bias model, di mana model lebih mudah mendeteksi kelas mayoritas tetapi lemah dalam mendeteksi kelas minoritas. Terutama pada data dengan ketidakseimbangan ekstrem dengan IR >9, model memiliki akurasi tinggi tetapi performa recall rendah. Hal ini merugikan sistem prediksi yang memprioritaskan deteksi kelas minoritas. Penelitian ini bertujuan untuk meningkatkan recall pada dataset yang sangat tidak seimbang dengan menggunakan empat teknik penanganan ketidakseimbangan data, yaitu SMOTE dan OHIT pada level data, serta CSL dan CW pada level model. Teknik pada level data menyeimbangkan distribusi kelas dengan menambahkan data sintetis, sedangkan teknik pada level model meningkatkan sensitivitas terhadap kelas minoritas. Model yang digunakan sebagai baseline adalah LR untuk mengamati peningkatan recall dari keempat teknik penanganan ketidakseimbangan data. Dari hasil pengujian semua teknik penanganan ketidakseimbangan data, semuanya meningkatkan recall dengan margin sebesar 0,3243. Peningkatan recall tertinggi dicapai oleh LR-SMOTE dengan margin sebesar 0,3256. Penelitian ini menunjukkan bahwa recall model dapat ditingkatkan dengan menggunakan teknik penanganan ketidakseimbangan data.
Kata kunci – ketidakseimbangan data ekstrem, sistem prediksi, recall, penanganan ketidakseimbangan data

Perkembangan teknologi Internet of Things (IoT) telah memberikan peluang besar dalam peningkatan produktivitas pertanian melalui pemantauan kondisi lingkungan secara real time. Tanaman stroberi merupakan komoditas hortikultura yang membutuhkan perhatian khusus terhadap faktor lingkungan, terutama pada kondisi suhu lingkungan, kelembaban tanah, dan pH tanah. Ketiga parameter tersebut sangat berpengaruh terhadap pertumbuhan dan kualitas produksi buah stroberi. Penelitian ini mengembangkan sistem monitoring berbasis IoT yang dirancang untuk mengukur parameter suhu, kelembaban tanah, dan pH tanah pada lahan budidaya tanaman stroberi. Sistem ini memanfaatkan beberapa sensor diantaranya DS18B20 sebagai deteksi suhu lingkungan, YL-69 sebagai deteksi kelembaban tanah, dan sensor soil pH sebagai deteksi pH tanah yang diintegrasikan dengan modul Raspberry Pi sebagai pengolah78 data dari sensor dan mengirimkan data ke platform melalui aplikasi ThingSpeak secara real time. Untuk memperoleh hasil pengujian yang akurat dilakukan pengambilan data dengan membandingkan hasil pembacaan ke tiga sensor dengan alat ukur yang ada dijual dipasaran. Hasil pengujian menunjukkan bahwa sistem mampu bekerja dengan baik dalam memantau kondisi lingkungan tanaman stroberi dan memberikan informasi dengan rata-rata tingkat akurasi untuk kelembaban tanah sebesar 99,985%, pH tanah sebesar 99,907% dan suhu lingkungan sebesar 99,991%. Sistem ini memungkinkan petani dapat melakukan tindakan pengelolaan lahan yang lebih tepat dan sesuai kondisi yang terdeteksi.
 
Kata Kunci - internet of things, raspberry pi, sensor, stroberi, thingspeak.

The relocation of the capital city of the Republic of Indonesia from Jakarta to the Nusantara Capital City (IKN) is a critical topic for the public, as it is designated as a strategic national project. However, the lack of public participation may generate community concerns regarding its potential impact. This research involved extracting public opinion from YouTube comments to identify the community’s desires, thereby providing policymakers with valuable information. Clustering the comments using the K-Means method successfully extracted public opinions from 27,063 comment data points. Among the key findings, a significant public concern is the potential for the construction project to be abandoned or stalled (“mangkrak”). Additionally, while the clustering results showed good cohesion, the cluster separation indicated a significant overlap in the data. This is further reflected by the average similarity score of 0.4234972.
 
Keywords – YouTube, Text Clustering, K-Means, Nusantara Capital City (IKN)

Rumah adat merupakan salah satu warisan budaya Indonesia yang mencerminkan identitas dan nilai dari setiap daerah. Namun, minat siswa dalam mempelajari budaya lokal mulai menurun akibat pengaruh budaya asing dan minimnya media pembelajaran interaktif. Penelitian ini bertujuan untuk mengembangkan game edukasi interaktif 3D bertema rumah adat Indonesia dengan pendekatan gamifikasi berdasarkan kerangka Mechanics, Dynamics, and Aesthetics (MDA). Game dikembangkan menggunakan Unreal Engine 5.4 dengan pemrograman C++, sedangkan aset 3D dibuat menggunakan Blender dan karakter dirancang melalui Metahuman. Penelitian ini menggunakan metode System Development Life Cycle (SDLC) dengan model waterfall, serta divalidasi oleh ahli materi dan pengguna menggunakan skala Likert. Hasil pengujian menunjukkan skor 84% dari ahli materi, 85,63% dari pengguna, dan tingkat pemahaman siswa sebesar 92,7%, yang seluruhnya termasuk dalam kategori sangat layak. Oleh karena itu, game edukasi rumah adat Indonesia dinilai layak digunakan sebagai media pembelajaran interaktif yang dapat meningkatkan motivasi, pemahaman, dan minat siswa terhadap budaya lokal. Penelitian selanjutnya diharapkan dapat menambah konten rumah adat dan memperluas area eksplorasi dalam game.
 
Kata Kunci – Game Edukasi, Gamifikasi, MDA Framework, Rumah Adat, Software Development Life Cycle.

Penelitian https://www.adenomyosisadviceassociation.org/hysterectomy ini bertujuan menguji hipotesis bahwa penggunaan platform pembelajaran mandiri CodeEasy dapat meningkatkan pemahaman mahasiswa pada mata kuliah Data Science Python. CodeEasy merupakan lingkungan belajar asinkron yang menyediakan latihan berbasis kode dengan penilaian otomatis melalui test case, serta umpan balik instan untuk mendorong keterlibatan aktif mahasiswa. Penelitian menggunakan desain one-group pretest–posttest dengan 28 mahasiswa Program Studi Sistem Informasi Bisnis, Politeknik Negeri Malang, semester genap 2024/2025. Analisis Paired Sample t-test menunjukkan peningkatan signifikan skor pemahaman mahasiswa (rata-rata pretest = 32,34%; posttest = 80,38%; ), dengan ukuran efek besar (Cohen’s ), yang mendukung hipotesis penelitian. Hasil ini bersifat indikatif, mengingat desain tanpa kelompok kontrol membatasi kesimpulan kausalitas dan generalisasi. Penelitian ini memberikan bukti awal mengenai efektivitas platform autograding dalam mendukung pembelajaran mandiri pemrograman, dan menyarankan penerapan lebih lanjut dengan desain kontrol serta integrasi Explainable AI (XAI) untuk meningkatkan transparansi evaluasi kode dan personalisasi umpan balik.
 
Kata Kunci - Autograding, CodeEasy, Data Science Python, Evaluasi Kode, Pembelajaran Mandiri

Peningkatan kebutuhan terhadap energi terbarukan mendorong upaya identifikasi wilayah dengan potensi radiasi surya tinggi, terutama di kawasan tropis seperti Pulau Sumatera. Penelitian ini bertujuan untuk mengklasifikasikan potensi radiasi surya di 154 kabupaten/kota di Sumatera menggunakan metode K-Means Clustering. Data diperoleh dari Global Solar Atlas (GSA) berupa nilai rata-rata harian Global Horizontal Irradiance (GHI) dalam satuan kWh/m²/hari. Hasil klasterisasi menghasilkan tiga kelompok utama, yaitu rendah, sedang, dan tinggi. Cluster rendah (22 wilayah, rata-rata 4,240 kWh/m²/d) kurang sesuai untuk pengembangan PLTS karena tingkat tutupan awan yang tinggi. Cluster sedang (75 wilayah, rata-rata 4,535 kWh/m²/d) menunjukkan potensi yang stabil dan seimbang, sehingga cocok untuk PLTS skala menengah. Cluster tinggi (57 wilayah, rata-rata 4,793 kWh/m²/d) — didominasi oleh Sumatera Utara, Sumatera Selatan, Aceh, dan Bengkulu — merupakan wilayah paling potensial untuk PLTS skala besar. Secara keseluruhan, sebagian besar wilayah di Sumatera termasuk kategori potensi sedang hingga tinggi, menunjukkan prospek besar pengembangan energi surya dalam mendukung transisi energi bersih dan berkelanjutan di Indonesia.
 
Kata Kunci - Radiasi surya, K-Means Clustering, Energi terbarukan, PLTS