Seiring dengan rutinnya konsumsi budaya-budaya Korea Selatan, masyarakat Indonesia ingin mengenal lebih jauh tentang Korea Selatan, termasuk mahir berbahasa Korea. Tidak sedikit pula masyarakat yang mempelajari bahasa Korea ingin melanjutkan studi ke Korea Selatan. Sebelum mempelajari bahasa Korea, ada baiknya untuk mengenal huruf dan cara penulisan huruf Korea (hangul) terlebih dahulu. Namun, bentuk huruf Korea (hangul) menyulitkan pembelajaran karena bentuk karakternya yang tidak familiar bagi masyarakat Indonesia. Latihan menulis atau praktik secara langsung dapat mengasah kemampuan dan pengembangan keterampilan dalam menulis huruf hangul. Oleh karena itu, diperlukan media pembelajaran yang menarik dan interaktif untuk mencapai hasil pembelajaran yang maksimal. Media pembelajaran Learn Hangul berbasis website, dibangun untuk menjadi solusi dari permasalahan tersebut. Memiliki 2 fitur utama yaitu untuk belajar seluruh huruf hangul dan belajar penyusunan huruf,serta fitur untuk menulis suku kata menggunakan huruf korea. Dalam fitur penulisan suku kata huruf korea dibatasi hanya dapat menyusun 2 huruf saja. Website yang dikembangkan menggunakan Convolutional Neural Network (CNN) LeNet-5 dapat berjalan dengan baik. Seluruh fungsionalitas aplikasi dapat berjalan sesuai target tanpa ada kesalahan, dibuktikan dengan hasil pengujian Black Box. Lalu, didapatkan 3 nilai metrik evaluasi performa model menggunakan Confusion Matrix yaitu precision sebesar 89.7%, recall sebesar 88.8%, dan F1- score bernilai 89.2%. Selain itu, nilai akurasi dari model mencapai 89.2%. Website ini dapat diterima dengan baik oleh pengguna dan bermanfaat bagi mereka yang ingin mempelajari huruf korea (hangul), dibuktikan dengan hasil pengujian kepada pengguna yang mendapatkan nilai keberhasilan sebesar 80%.

Bahasa Arab memiliki peran sentral dalam ajaran Islam dan pemahaman AlQur'an. Dalam konteks ini, pemahaman kosakata Bahasa Arab menjadi esensial bagi umat Islam, terutama dalam memahami dan mengamalkan ajaran agama umat Islam. Kosakata Bahasa Arab tidak hanya menjadi kunci untuk memahami teksteks keagamaan, tetapi juga menjadi landasan dalam berkomunikasi dan menyampaikan ide-ide dengan benar. Di MTs Darun - Najah, sebuah sekolah Islam, Bahasa Arab dijadikan sebagai fokus utama dalam kurikulum pembelajaran, dengan upaya untuk tidak hanya mengajarkan kosakata, tetapi juga keterampilan berbicara dalam bahasa tersebut. Meskipun Bahasa Arab menjadi fokus pembelajaran di MTs Darun - Najah, tantangan dalam pembelajaran tetap ada, terutama terkait dengan minat siswa. Kurangnya minat siswa bisa menghambat pemahaman dan penguasaan kosakata bahasa Arab. Oleh karena itu, peran guru sangatlah penting dalam menciptakan lingkungan pembelajaran yang menarik. Dengan kreativitas dalam penyampaian materi dan penggunaan media interaktif, guru dapat membangkitkan minat siswa dalam pembelajaran bahasa Arab. Pendekatan ini membantu siswa belajar dengan lebih aktif, inovatif, dan menyenangkan.Dalam mengatasi tantangan ini, pengembangan teknologi menjadi solusi yang relevan. Sebuah website telah dikembangkan menggunakan teknologi Deep Learning, khususnya Convolutional Neural Network (CNN), untuk mengenali kosakata Bahasa Arab. Hasil penelitian menunjukkan bahwa sistem ini memiliki akurasi yang tinggi, mencapai 90?ngan rata-rata precision mencapai 94%, recall 94,3%, dan f1-score 88.5%.

This research aims to ensure that the Smart Parking application has met the set standards and can function under various conditions to ensure smooth operation for users. Therefore, comprehensive performance testing is necessary to achieve this goal. The focus of this study is on testing the performance of Smart Parking applications using the Load Testing method, with key indicators measured including response time, throughput, and error rate. Tests were conducted using the JMeter tool in several scenarios that included various levels of demand, namely 10, 30, and 50 users. Results show that response time and throughput decrease with increasing user demand load, but applications can still handle all requests well, evidenced by an error rate of 0.0%. Therefore, the performance of the Smart Parking application is considered excellent, as no requests fail to be processed in every scenario tested.

Sistem Pendukun Keputusan Kelayakan Pemberian Pinjaman Dengan Metode Simple Multi Attribute Rating Technique (SMART): Studi Kasus Koperasi Simpan Pinjam Wahana Arta Perdana, Farel Ramadhan Aryaputra, NIM E31210049, Tahun 2024, Teknologi Informasi, Politeknik Negeri Jember, Wahyu Kurnia Dewanto, S.Kom, MT. (Dosen Pembimbing). Koperasi Simpan Pinjam Wahana Arta Perdana merupakan lembaga keuangan yang memberikan pinjaman kepada nasabahnya. Akan tetapi, koperasi menghadapi tantangan dalam memilih nasabah yang layak untuk mendapatkan pinjaman karena jumlah permintaan pinjaman yang tinggi namun sumber daya terbatas. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem pendukung keputusan yang diharapkan dapat membantu koperasi dalam menilai kelayakan pemberian pinjaman calon nasabah. Berdasarkan permasalahan yang telah diuraikan maka dibutuhkan aplikasi berbasis web yang diharapkan dapat meningkatkan efektivitas proses penilaian kelayakan pemberian pinjaman di KSP. Wahana Arta Perdana, sehingga dana yang dikeluarkan dapat tepat sasaran dan sesuai dengan kemampuan nasabah.

Crime is a serious problem in Indonesia, with escalating crime rates. Robbery, especially those involving violence and armed threats, poses a significant threat to public safety. To address this, CCTV technology has become a common solution. However, manual monitoring of CCTV recordings is highly inefficient and prone to human errors. Therefore, this research develops a prototype robbery detection system using the YOLOv5 method on CCTV. A dataset of images depicting robots performing robbery actions is prepared to train the detection model. Testing is conducted using this dataset, both in testing conditions with images and in real-time using a camera. The results show satisfactory success rates, with the ability to detect robberies reaching approximately 91% for violent robberies and 83% for armed robberies. Additionally, the system can send log data of detected criminal activities to a mobile application. For further development, plans include integrating real-time human object detection and adding alarm features to provide warnings when criminal activities are detected. These steps are expected to enhance the system's ability to monitor and respond to criminal situations more effectively.

Toko online telah menjadi salah satu sektor yang berkembang pesat di Indonesia sejak dimulainya pandemi COVID-19 pada tahun 2020. Pertumbuhan signifikan bisnis toko online ini menimbulkan kekhawatiran akan maraknya tindakan penipuan, terutama dalam hal manipulasi dan pengunggahan ulang gambar produk. Penelitian ini bertujuan untuk mengembangkan metode deteksi gambar manipulasi dan asli pada platform toko online serta meningkatkan akurasinya dengan menggabungkan teknik Error Level Analysis (ELA) dan Convolutional Neural Network (CNN). Penelitian ini meliputi pengembangan metode deteksi, penggabungan teknik ELA dan CNN yang menggunakan arsitektur VGG16, serta pengukuran keberhasilan deteksi gambar manipulasi dan asli. Hasil penelitian menunjukkan bahwa integrasi antara ELA dan CNN yang menggunakan arsitektur VGG16 berhasil mendapatkan akurasi deteksi dengan rata-rata 97% pada penggunaan tingkat kompresi 90% dan 100% dimana seluruh data di training menggunakan 100 epoch. Metrik evaluasi seperti precision, recall, dan F1-score memberikan gambaran yang komprehensif tentang performa sistem. Kesimpulan dari penelitian ini menegaskan keberhasilan dalam mencapai tujuan utama, dengan potensi pengembangan lebih lanjut dalam skala yang lebih luas. Selanjutnya, penelitian ini memberikan kontribusi penting terhadap literatur dalam bidang deteksi manipulasi gambar dan memberikan landasan bagi langkah-langkah selanjutnya dalam pengembangan teknologi deteksi gambar yang lebih canggih dan responsif.

Pembelajaran memerlukan komunikasi yang terarah antara pendidik dan peserta didik, serta membutuhkan alat pembelajaran yang tepat dan akurat. Media pembelajaran memiliki peran penting dalam memperlancar proses pembelajaran dan membantu pendidik menyampaikan materi dengan lebih efektif kepada peserta didik. Seiring dengan perkembangan teknologi informasi, media pembelajaran pun mengalami kemajuan, salah satunya adalah melalui teknologi Augmented Reality (AR), yang menggabungkan konten virtual dengan lingkungan nyata secara interaktif. Teknologi AR memungkinkan pengguna untuk berinteraksi secara real-time dengan aplikasi, menciptakan pengalaman belajar yang baru dan menarik, khususnya bagi generasi Alpha yang terampil dan akrab dengan teknologi. Observasi di SD Negeri Cindogo 1 Bondowoso, menunjukkan bahwa saat ini media pembelajaran yang digunakan masih terbatas pada buku cetak, yang kurang mendukung dalam proses belajar mengajar, terutama dalam materi negaranegara ASEAN. Oleh karena itu, dikembangkanlah media pembelajaran menggunakan teknologi AR pada platform android sebagai alternatif. Penggunaan teknologi AR dinilai tepat karena mampu memvisualisasikan materi dengan baik dan memungkinkan interaksi antara siswa dengan materi pembelajaran. Harapannya, media pembelajaran ini dapat meningkatkan minat belajar dan prestasi siswa, terutama dalam mempelajari materi negara-negara di ASEAN.

Kemajuan teknologi memperluas kemampuan data mining, yang merupakan proses eksplorasi dan analisis data untuk mengidentifikasi pola dan informasi berguna. Klasifikasi merupakan salah satu metode data mining yang digunakan untuk mengklasifikasikan objek berdasarkan atributnya. Algoritma klasifikasi terbagi menjadi dua jenis, yaitu eager learner yang melakukan pelatihan sebelum mengklasifikasikan objek baru, serta lazy learner yang tidak melakukan pelatihan dan baru membangun model saat mengklasifikasikan objek baru. Berdasarkan pembahasan tersebut, penelitian ini bertujuan untuk membandingkan eager learner, yang diwakili algoritma naive bayes, dengan lazy learner, yang diwakili algoritma k-nearest neighbor, dalam mengklasifikasikan tingkat obesitas. Dataset yang digunakan memiliki 16 atribut fitur dan 1 atribut kelas. Dataset ini digunakan untuk mengevaluasi dan membandingkan kinerja model klasifikasi dari kedua algoritma tersebut. Hasil analisis penelitian ini menunjukkan kinerja model klasifikasi algoritma naive bayes dan k-nearest neighbor dipengaruhi oleh rasio jumlah data latih dan data uji serta pemilihan nilai K yang tepat untuk k-nearest neighbor. Kedua model mencapai kinerja optimal pada rasio berbeda, namun k-nearest neighbor (K=7) menunjukkan kinerja yang lebih baik dibandingkan naive bayes dalam hal akurasi, presisi, recal, dan skor F1. Namun terdapat trade-off waktu, dimana naive bayes sebagai eager learner memiliki waktu pelatihan lebih lama tapi waktu pengujian lebih singkat, sedangkan k-nearest neighbor sebagai lazy learner memiliki waktu pelatihan lebih singkat tapi waktu pengujian lebih lama. Dengan demikian, penting untuk membandingkan kinerja algoritma agar dapat memilih algoritma yang sesuai dengan kebutuhan dan karakteristik dari kasus yang dihadapi