Hasil Pencarian  ::  Simpan CSV :: Kembali

"Struktur ekonomi Indonesia yang tersokong utama pada sektor manufaktur, dimana pertanian, perdagangan, industri dan jasa sosial memiliki porsi tenaga kerja serta potensi ketahanan sektor yang tinggi. Eksplorasi hasil bumi (sektor pertambangan) yang tinggi pada provinsi Kalimantan Timur beserta ketidakcocokan tenaga professional dan teknisi yang menjadi output sekolah vokasi masih terdapat porsi 40%, sedangkan pada sisi lain terlihat angkatan kerja di Indonesia didominasi oleh lulusan yang memiliki kompetensi rendah dan lulusan SMK berkontribusi cukup tinggi pada pengangguran dengan segala tantangan pendidikan vokasi SMK, serta Kalimantan Timur menjadi urutan ke-4 dari 34 provinsi dengan angka pengangguran tinggi. Dan sebanyak 53,81% penduduk Indonesia merupakan generasi milenial dan Z yang menjadi peserta didik dengan kebutuhan tinggi pada internet yang memberikan dampak pada model pembelajarannya, serta pelibatkan siswa dalam proyek-proyek yang bermakna pada pembelajaran berbasis proyek memberikan pengalaman belajar yang lebih holistik dan relevan, sehingga diperlukan pengembangan platform digital pembelajaran berbasis web dan aplikasi perangkat lunak untuk pendidikan vokasi. Praktik Keinsinyuran ini yang berlangsung dari tahun 2020 hingga 2022 telah terselesaikan, pada platform digital pembelajaran berbasis web menggunakan CMS WordPress dengan LMS Plugin berupa LearnPress serta plugin-plugin penunjang lainnya, dimana telah digunakan 53 anggota dengan diantaranya sebagai anggota aktif sebanyak 24, 8 anggota non aktif dan 21 anggota telah kadaluarsa. 53 anggota ini tergabung dari 3 event Basic Technical Course (BTC) dengan setiap proses event pelatihan ini terbagi menjadi 2 bagian yakni bagian teori untuk penunjang pengetahuan dan bagian praktik sebagai peningkatan keterampilan, dimana platform digital pembelajaran berbasis web ini mengakomodir dari bagian teori dan dengan melihat salah satu dari BTC yang menggunakan platform digital ini di dapatkan tingkat kelulusan 100% dengan nilai rata-rata 77,42 yang berada di atas kriteria kelulusan minimum (75,00), di capai dengan waktu yang lebih cepat hingga 30% serta lebih fleksibel. Sedangkan pada platform digital pembelajaran berbasis aplikasi perangkat lunak yang diimplimentasikan dalam praktik berbasis proyek oleh peserta BTC dari SMK Muhammadiyah 3 Samarinda telah berhasil membuat 5 proyek pembelajaran, dengan indikator keberhasilan dilihat dari 4 aspek yakni Winning Concept, Winning Team, Winning System dan Performance.Proyek dalam praktik keinsinyuran ini telah diselesaikan secara profesionalisme serta menjalankan kode etik profesi insinyur dengan menerapkan semua prinsip dasar dan tata laku sebagai insinyur. Proyek ini juga senantiasa memperhatikan Keselamatan, Kesehatan, Keamanan Kerja dan Lingkungan (K3L) untuk mengambil tindakan pencegahan yang tepat dalam menangani pekerjaan yang berbahaya.

---

The Indonesian economy is primarily supported by the manufacturing sector, where agriculture, trade, industry, and social services contribute a significant portion of the workforce and have a high potential for sector resilience. The exploration of natural resources (the mining sector) is particularly high in East Kalimantan province, but there is a mismatch in the availability of skilled professionals and technicians, which remains at 40% output from vocational schools. On the other hand, the Indonesian labor force is dominated by graduates with low competency levels, and vocational high school (SMK) graduates contribute significantly to unemployment, highlighting the challenges faced by vocational education in SMK. Additionally, Kalimantan Timur ranks fourth among the 34 provinces in terms of high unemployment rates. Approximately 53.81% of the Indonesian population consists of millennials and Generation Z, who are learners with a high demand for internet access, impacting their learning models. Involving students in meaningful projects through project-based learning provides a more holistic and relevant learning experience. Therefore, the development of a web-based digital learning platform and software application is necessary for vocational education.

The Engineering Practice, which took place from 2020 to 2022, has been completed on a web-based digital learning platform using WordPress as the CMS and LearnPress as the LMS plugin, along with other supporting plugins. There were a total of 53 members, including 24 aktife members, 8 inaktife members, and 21 expired members. These 53 members participated in three Basic Technical Course (BTC) events, each divided into two parts: theory to support knowledge and practice to enhance skills. The web-based digital learning platform accommodated both the theoretical and practical aspects. Among the BTC events that utilized this digital platform, a 100% pass rate was achieved, with an average score of 77.42, exceeding the minimum passing criteria (75.00). The digital platform allowed for faster completion, up to 30%, and offered greater flexibility.

In addition to the web-based digital learning platform, a software application-based learning platform was implemented in project-based practice by participants from SMK Muhammadiyah 3 Samarinda. They successfully completed five learning projects, with success indicators based on four aspects: Winning Concept, Winning Team, Winning System, and Performance.

Throughout this engineering practice, the projects were completed with professionalism and adherence to the code of ethics for engineers, implementing all fundamental principles and conduct as engineers. Safety, Health, Security, and Environment (SHSE) were always taken into consideration, ensuring appropriate preventive measures were in place when dealing with hazardous work."

"Perkembangan teknologi pada bidang pendidikan mendorong terciptanya berbagai inovasi baru seperti e-Learning. Adanya e-Learning memberikan berbagai kemudahan baru dalam proses pembelajaran. Salah satu inovasi yang muncul adalah e-Learning yang mampu menyediakan fasilitas personalisasi bagi penggunanya. Berbagai penelitian telah mencoba membahas pengembangan e-Learning dengan personalisasi. Sayangnya secara umum penelitian yang dilakukan hanya terbatas sampai pada tahap pengembangan desain interaksi. Belum banyak penelitian yang membahas pengembangan sampai pada tahap implementasi aplikasi. Berangkat dari isu tersebut, penelitian ini membahas lebih lanjut pengembangan aplikasi e-Learning yang melakukan personalisasi berdasarkan gaya belajar Felder-Silverman. Penelitian ini menggunakan pendekatan user-centered design dalam implementasinya. Aplikasi yang dikembangkan mengacu kepada desain interaksi penelitian sebelumnya, studi demografi pengguna, dan wawancara eksplorasi pengguna. Aplikasi kemudian dievaluasi oleh partisipan penelitian pada tahap usability testing. Berdasarkan hasil penelitian, aplikasi yang dikembangan telah mendapatkan hasil usability yang baik dari pengguna. Penelitian ini juga mengusulkan rekomendasi perbaikan yang dapat digunakan dalam pengembangan aplikasi personalisasi e-Learning ke depannya.

---

Recent technological developments in the field of education trigger many innovations, one of the best examples are the emergence of e-Learning. E-Learning provides conveniences in the learning process. One of the innovations is e-Learning that capable to provide personalization for its users. Various research has discussed the development of personalized e-Learning. Unfortunately, most of the research stopped at the interaction design development stage. There are not many studies that studied the application until the implementation stage. Based on the issue, this study focused on the development of personalized e-Learning applications. In this case, the personalized factor is based on Felder-Silverman Learning Styles. This study uses a user-centered design approach in its implementation. The application was developed based on the interaction design of previous research, user demographic, and user interviews. The application was then evaluated by participants in the usability testing stage. Based on the research results, the application has good usability results from the users. Furthermore, this study also proposes recommendations for improvements that can be used in the development of personalized e-Learning applications in the upcoming studies."

"

Salah satu permasalahan utama yang sedang dihadapi oleh Kementrian Kelautan dan Perikanan Republik Indonesia (KKP) adalah maraknya kejadian Illegal, Unreported, and Unregulated (IUU) fishing yang terjadi pada perairan Indonesia. Kejadian ini menimbulkan banyak kerugian bagi Indonesia, terutama dalam aspek sosial, ekologi, dan ekonomi. Untuk mengatasi masalah ini, terutama unreported fishing, dirancanglah sebuah sistem yang dapat digunakan untuk memonitor penangkapan ikan, sekaligus melakukan deteksi dan klasifikasi terhadap jenis ikan hasil tangkapan di atas kapal. Sistem dirancang menggunakan konsep object detection dan instance segmentation, dua bidang dari machine learning, menggunakan model YOLOv5 dan varian-variannya yang merupakan salah satu model dari keluarga YOLO (You Only Look Once) yang paling baik dari segi kecepatan dan akurasi. Dengan adanya sistem tersebut, diharapkan bahwa hasil tangkapan kapal di perairan Indonesia dapat bersifat lebih legal, teratur, dan sesuai dengan yang dilaporkan kepada KKP. Sistem terbaik dari penelitian ini dihasilkan menggunakan model instance segmentation yang mendapatkan nilai mAP50 0,834, mAP50-95 0,544, F1-score 0,848, dan kecepatan inferensi 232,6 fps untuk partisi validation, dan mAP50 0,797, mAP50-95 0,531, F1-score 0,802, dan kecepatan inferensi 250,0 fps untuk partisi testing pada hasil bounding box, serta nilai mAP50 0,739, mAP50-95 0,36, F1-score 0,789, dan kecepatan inferensi 232,6 fps untuk partisi validation, dan mAP50 0,711, mAP50-95 0,335, F1-score 0,746, dan kecepatan inferensi 250,0 fps untuk partisi testing pada hasil segmentation mask. Selain itu, model tersebut juga mendapatkan akurasi 60% pada tahapan perbandingan dengan model object detection.

---

One of the main problems the Indonesian Ministry of Marine Affairs and Fisheries (KKP) is currently facing is the abundance of Illegal, Unreported, and Unregulated (IUU) fishing instances happening in Indonesian waters. This phenomenon creates a lot of problems for Indonesia, mainly in the social, ecological, and economical aspects. To overcome these problems, mainly unreported fishing, a system that can be used to not only monitor the fishing process, but also to detect and classify the types of fish that are caught by that boat was created. This system is based on object detection and instance segmentation, both fields of machine learning, using the YOLOv5 model and its variants, which are some of the fastest and most accurate models from the YOLO (You Only Look Once) family. With this system, it is hoped that fish caught in Indonesian waters can be more legitimate, regulated, and reported correctly to the KKP. The best system from this research is created using an instance segmentation model with mAP50 0.834, mAP50-95 0.544, F1-score 0.848, and inference speed 232.6 fps for validation scores, and mAP50 0.797, mAP50- 95 0.531, F1-score 0.802, and inference speed 250.0 fps for testing scores on the bounding box results, as well as mAP50 0.739, mAP50-95 0.36, F1-score 0.789, and inference speed 232.6 fps for validation scores, and mAP50 0.711, mAP50-95 0.335, F1-score 0.746, and inference speed 250.0 fps on the segmentation mask results. The model also achieved an accuracy of 60% in the comparison phase against the object detection model.

"

"Perkembangan teknologi pada bidang pendidikan mendorong terciptanya berbagai inovasi baru seperti e-Learning. Adanya e-Learning memberikan berbagai kemudahan baru dalam proses pembelajaran. Salah satu inovasi yang muncul adalah e-Learning yang mampu menyediakan fasilitas personalisasi bagi penggunanya. Berbagai penelitian telah mencoba membahas pengembangan e-Learning dengan personalisasi. Sayangnya secara umum penelitian yang dilakukan hanya terbatas sampai pada tahap pengembangan desain interaksi. Belum banyak penelitian yang membahas pengembangan sampai pada tahap implementasi aplikasi. Berangkat dari isu tersebut, penelitian ini membahas lebih lanjut pengembangan aplikasi e-Learning yang melakukan personalisasi berdasarkan gaya belajar Felder-Silverman. Penelitian ini menggunakan pendekatan user-centered design dalam implementasinya. Aplikasi yang dikembangkan mengacu kepada desain interaksi penelitian sebelumnya, studi demografi pengguna, dan wawancara eksplorasi pengguna. Aplikasi kemudian dievaluasi oleh partisipan penelitian pada tahap usability testing. Berdasarkan hasil penelitian, aplikasi yang dikembangan telah mendapatkan hasil usability yang baik dari pengguna. Penelitian ini juga mengusulkan rekomendasi perbaikan yang dapat digunakan dalam pengembangan aplikasi personalisasi e-Learning ke depannya.

---

Various research has discussed the development of personalized e-Learning. One of the main topics of recent research is how personalizing learning styles can improve the user experience of e-Learning applications. Based on the issue, this study is focused on the development of a prototype of a personalized e-Learning application using three Felder-Silverman Learning Styles as a main focus. User-centered design is used in this study as an approach to the development of the e-Learning application. This study analyzes the design of similar personalized e-learning interactions, user learning styles, and various user information obtained from user demographic surveys and user interviews. The demographics of the users studied were computer science students from the University of Indonesia. The application was then evaluated by participants in the usability testing stage. Furthermore, this study also proposes recommendations for improvements that can be used in the development of personalized e-Learning applications in the upcoming studies."

"Dalam perkuliahan biasanya mahasiswa belajar dari literatur saja dan di kelas, supaya meningkatkan pemahaman pada mahasiswa dalam mempelajari teori perlu ditambahkan pembelajaran secara eksperimen supaya mahasiswa bisa melihat langsung praktik dari teori dan memperkuat ingatan teori secara visual. Alat ini dibuat dengan tujuan mahasiswa bisa dengan mudah mengatur sendiri dari variabel bebas (tumpuan dan tipe beban) pada percobaan untuk mendapatkan nilai dari variabel terikat (defleksi maksimum) dan menganalisa perubahannya, dengan dilakukan percobaan ini mahasiswa dapat berpikir lebih kritis dari teori yang dipelajarinya di kelas sehingga mempertajam kemampuan dalam teori. Alat praktikum ini memakai sensor yang terintegrasi dengan program yang akan mengolah dan menampilkan data yang diambil. Penelitian ini memakai dua metode yaitu eksperimen dan analitis. Dengan membandingkan kedua metode ini dapat dilihat seberapa akuratnya apabila percobaan dilakukan dengan memakai sensor.

---

In lectures, students usually learn from literature alone, and in class, to enhance students' understanding of theory, experimental learning needs to be added so that students can directly observe the practice of theory and strengthen their visual memory of the theory. This tool is created with the aim of allowing students to easily manipulate independent variables (support and load types) in experiments to obtain values for dependent variables (maximum deflection) and analyze their changes. Through this experiment, students can develop a more critical perspective on the theories they learn in class, thus sharpening their theoretical skills. This laboratory tool utilizes integrated sensors with a program that processes and displays the collected data. The research employs two methods, namely experimental and analytical. By comparing these two methods, it can be observed how accurate the experiment is when using sensors."

"Salah satu tantangan utama investigasi insiden kebocoran data adalah tidak tersedianya kerangka kerja spesifik yang sesuai dengan karakteristik insiden kebocoran, disertai langkah-langkah yang jelas dan memberikan hasil investigasi yang komprehensif. Tantangan lain berupa proses analisis terhadap logs berjumlah besar akan menghabiskan waktu dan berpotensi terjadi human-error bila dilakukan secara manual. Pendekatan machine learning (ML) dapat dijadikan solusi, namun kinerja ML seringkali tidak optimal dikarenakan kondisi ketidakseimbangan dataset. Untuk itu, pada penelitian ini dikembangkan kerangka kerja forensik digital baru yang bernama KARAFFE (Kalamullah Ramli–Arif Rahman Hakim–Forensic Framework for Exfiltration), yang bersifat spesifik sesuai dengan karakteristik kebocoran data. Tahapan dan komponen pada KARAFFE mampu menghasilkan jawaban atas pertanyaan investigatif berupa What, When, Who, Where, Why dan How (5WH) dari insiden yang diinvestigasi. Berdasarkan karakteristik pembanding yang ditetapkan, KARAFFE memenuhi enam indikator karakteristik mengungguli kerangka kerja existing lainnya. Lebih lanjut, analisis studi kasus menunjukkan bahwa KARAFFE mampu menginvestigasi insiden secara utuh disertai jawaban 5WH yang lengkap atas insiden yang diuji. Metode lain yang dikembangkan adalah ARKAIV (Arif Rahman Hakim-Kalamullah Ramli-Advanced Investigation). Metode ARKAIV berbasis ML mampu memprediksi terjadinya exfilration berdasarkan event logs yang dipetakan ke adversarial tactics. Untuk prediksi tersebut dilakukan modifikasi dataset berupa rangkain tactics dengan exfiltration sebagai target dan didesain skema resampling untuk mengatasi kondisi ketidakseimbangan dataset. SMOTEENN menghasilkan kinerja terbaik mengungguli empat teknik resampling lainnya, dengan meningkatkan nilai geometric-mean 0 pada initial dataset menjadi 0.99 pada resampled dataset. Selain itu, model ML pada metode ARKAIV dipilih dengan kinerja paling optimal berdasarkan lima teknik feature selection, menerapkan lima classifiers ML, dan dua teknik validasi model. Hasil ML-ARKAIV menunjukkan bahwa Random Forest melampaui kinerja empat classifiers lainnya (XGBoost, Logistic Regression, Naive Bayes, dan Support Vector Machine), dengan mean accuracy sebesar 99.1% (5-folds), 99.8% (10-folds), 99.7% (5-folds 5-repetitions), dan 99.74% (10-folds 10-repetitions). Selain itu, analisis studi kasus menunjukkan bahwa ARKAIV mampu memprediksi secara akurat dua insiden exfiltration dan satu insiden non-exfiltration. Dengan demikian, ARKAIV menunjukkan konsistensi kinerja dan efektifitasnya dalam memprediksi terjadinya exfiltration dalam berbagai skenario.

---

One of the primary challenges in investigating data breach incidents is the lack of a specific framework tailored to the characteristics of such incidents, accompanied by clear steps to ensure comprehensive investigative results. Another challenge lies in the analysis of large volumes of logs, which is time-consuming and prone to human error when performed manually. Machine learning (ML) approaches offer a potential solution; however, their performance is often suboptimal due to the imbalance in datasets. This study proposes a novel digital forensic framework named KARAFFE, designed specifically to address the unique characteristics of data breach incidents. The stages and components of KARAFFE are structured to answer investigative questions encompassing What, When, Who, Where, Why, and How (5WH) of the incidents under investigation. Case study analysis demonstrates that KARAFFE provides a complete investigation of incidents, delivering comprehensive 5WH responses for the examined cases. Based on the established comparative characteristics, KARAFFE meets six key indicators, outperforming other existing frameworks. Furthermore, the case study analysis demonstrates that KARAFFE enables comprehensive incident investigation, providing complete 5WH answers for the tested incidents. Additionally, this study introduces the ARKAIV method. ARKAIV is an ML-based approach capable of predicting exfiltration attacks based on event logs mapped to adversarial tactics. To facilitate these predictions, the dataset was modified to include a sequence of tactics with exfiltration as the target, and a resampling scheme was designed to address dataset imbalance. SMOTEENN achieved the best performance, surpassing four other resampling techniques by improving the geometric mean value from 0 on the initial dataset to 0.99 on the resampled dataset. Furthermore, the ML models in ARKAIV were selected for optimal performance through the application of five feature selection techniques, five ML classifiers, and two model validation methods. The results of ML-ARKAIV indicate that Random Forest outperformed four other classifiers (XGBoost, Logistic Regression, Naive Bayes, and Support Vector Machine), with mean accuracy rates of 99.1% (5-folds), 99.8% (10-folds), 99.7% (5-folds with 5 repetitions), and 99.74% (10-folds with 10 repetitions). Additionally, the case study analysis demonstrated that ARKAIV accurately predicted two exfiltration incidents and one non-exfiltration incident. These findings underscore ARKAIV's consistent performance and effectiveness in predicting exfiltration across various scenarios."