Rekursif: Jurnal Informatika

Implementasi Standar ISO 15489 Dalam Perancangan SOP Kearsipan di Dinas Dukcapil Kabupaten Seluma

Nisreina Nabila — 2025-12-16

Era digital mendorong transformasi pengelolaan arsip yang menuntut sistem terstandarisasi. Berdasarkan UU RI No. 43 Tahun 2009, arsip dibedakan menjadi aktif dan inaktif. Di Dinas Dukcapil Kabupaten Seluma, pengelolaan arsip inaktif belum didukung pedoman tertulis, sehingga menimbulkan risiko terhadap keamanan dan akses informasi. Penelitian ini merancang Standar Operasional Prosedur (SOP) berbasis ISO 15489 dan mengintegrasikannya dengan sistem arsip digital. Metode kualitatif digunakan untuk mengeksplorasi proses dan dampaknya. Hasil menunjukkan skor keamanan (62) dan aksesibilitas (63) masih tergolong rendah. SOP yang dirancang berfungsi sebagai acuan operasional dan dasar pengembangan sistem informasi arsip digital, yang terbukti meningkatkan efisiensi dan kepatuhan terhadap regulasi. Penelitian ini memberikan kontribusi penting terhadap kebijakan kearsipan dan menyarankan evaluasi implementasi SOP serta pengembangan prototipe sistem digital pada penelitian selanjutnya.

Kata Kunci: Manajemen arsip, SOP, ISO 15489, Keamanan dan aksesibilitas informasi, Dukcapil Kabupaten Seluma

Penerapan Metode Multi Attribute Utility Theory (MAUT) Untuk Menentukan Prioritas Penerima Bantuan Bencana Alam (Studi Kasus: BPBD Bengkulu Tengah)

Rahmat Fikri Wahyudi — 2025-12-16

Indonesia sebagai negara kepulauan di garis khatulistiwa yang terletak antara Benua Asia dan Australia memiliki risiko tinggi terhadap bencana alam, terutama banjir dan tanah longsor. Bencana tersebut menyebabkan berbagai dampak buruk, seperti kerusakan infrastruktur, trauma psikologis, serta kerugian sosial dan ekonomi bagi korban. Badan Penanggulangan Bencana Daerah (BPBD) sebagai lembaga utama penanganan bencana harus memberikan pelayanan efektif untuk pemulihan masyarakat, sehingga memerlukan sistem yang cepat dan akurat. Oleh karena itu, penelitian ini bertujuan membangun Sistem Pendukung Keputusan (SPK) dengan metode Multi Attribute Utility Theory (MAUT) guna membantu BPBD menentukan prioritas penerima bantuan bencana. Keunggulan metode MAUT terletak pada kemampuannya mengolah keputusan multikriteria, mempertimbangkan preferensi stakeholder, serta menghasilkan output kuantitatif dan transparan. Sistem ini dibangun menggunakan PHP dan dirancang dengan Unified Modeling Language (UML). Pengujian dilakukan terhadap 16 data alternatif, menghasilkan peringkat prioritas berdasarkan skor tertinggi. Hasil uji akurasi menunjukkan tingkat keberhasilan 87,5%, sementara pengujian black box berjalan 100%. Skor preferensi tertinggi (0,92083) membuktikan keakuratan MAUT dalam pengambilan keputusan.

Kata Kunci: Banjir, Longsor, Bantuan, Sistem Pendukung Keputusan, Metode MAUT.

Implementasi YOLOv11 Untuk Deteksi Penyakit Tanaman Padi Berdasarkan Citra Daun

Farrel Alifyandra Akbar — 2025-12-16

Padi (Oryza sativa) merupakan komoditas strategis bagi ketahanan pangan di Indonesia, namun rentan terhadap serangan penyakit seperti hawar daun bakteri (blight), blast, dan tungro, yang dapat menurunkan produktivitas secara signifikan. Deteksi dini penyakit ini secara manual oleh petani seringkali tidak akurat dan lambat. Penelitian ini bertujuan mengimplementasikan algoritma YOLOv11 berbasis deep learning untuk mendeteksi penyakit tanaman padi berdasarkan citra daun dengan akurasi tinggi. Metode penelitian mengikuti kerangka CRISP-DM (Cross Industry Standard Process for Data Mining), dimulai dari pemahaman bisnis, pengumpulan data, persiapan data, pemodelan, hingga evaluasi. Dataset terdiri dari 500 citra daun padi yang diklasifikasikan ke dalam tiga kelas penyakit. Data diproses melalui augmentasi dan resizing untuk menyeimbangkan distribusi kelas dan menyeragamkan ukuran gambar. Model YOLOv11 dilatih dengan parameter 100 epochs, ukuran gambar 224x224 piksel, dan batch size 32. Hasil evaluasi menunjukkan model mencapai akurasi 95% dengan precision dan recall rata-rata di atas 95%. Confusion matrix mengungkapkan kemampuan klasifikasi yang sangat baik, terutama untuk penyakit tungro (100% akurasi). Model juga efisien dalam melakukan prediksi dengan waktu inferensi 8.2 milidetik per gambar. Kesimpulan penelitian ini membuktikan bahwa YOLOv11 efektif untuk deteksi penyakit padi berbasis citra daun. Saran untuk pengembangan selanjutnya meliputi penambahan variasi data, integrasi ke aplikasi mobile, dan pengujian lapangan untuk validasi kinerja di kondisi nyata.

Kata Kunci: YOLOv11, deteksi penyakit padi, deep learning, citra daun, computer vision.

Deteksi Hama Whiteflies (Aleyrodidae) Pada Tanaman Cucurbitaceae Menggunakan YOLOv11

Naufal Rizky Ananda — 2025-12-16

Hama Whitefly (Aleyrodidae) merupakan ancaman signifikan bagi produktivitas tanaman Cucurbitaceae di Indonesia, menyebabkan kerugian panen dan penyebaran virus. Karena metode deteksi manual lambat dan tidak efisien, diperlukan solusi teknologi untuk identifikasi dini. Penelitian ini membangun dan mengevaluasi model deteksi objek menggunakan arsitektur YOLOv11. Metodologi yang digunakan meliputi empat tahap: persiapan 1.940 citra gambar dari repositori publik, preprocessing data melalui anotasi dan augmentasi (blur, brightness, noise), perancangan dan pelatihan model, serta evaluasi kinerja. Model yang telah dilatih kemudian diimplementasikan ke dalam aplikasi web untuk deteksi real-time. Hasil evaluasi menunjukkan performa model yang sangat baik, dengan mAP@50 sebesar 85,6% dan mAP@50-95 sebesar 81,2%. Selain itu, model ini mencapai nilai precision 83,1%, recall 89,0%, dan F1-Score 86,0%, ini membuktikan model mampu mendeteksi hama secara akurat dan konsisten. Penelitian ini berhasil menghasilkan sebuah sistem deteksi dini yang efektif dan mudah diakses, memberikan kontribusi praktis bagi pengembangan pertanian presisi dan mendukung upaya ketahanan pangan di Indonesia melalui penerapan teknologi deep learning.

Kata Kunci: YOLOv11, Whitefly, Hama, Cucurbitaceae.

Pengembangan Sistem Deteksi Dini Mahasiswa Berisiko Menggunakan Machine Learning Berbasis Data Learning Management System

Wahyu Syahputra — 2025-12-16

Penelitian ini bertujuan mengembangkan sistem deteksi dini mahasiswa berisiko menggunakan machine learning berbasis data dari Learning Management System (LMS) rumahilmu.org. Sistem ini dirancang untuk Program Studi Sistem Informasi Universitas Bengkulu, dengan menganalisis data dari 459 enrollment mahasiswa pada lima mata kuliah. Sebanyak 37–76 fitur diekstraksi dari aktivitas LMS untuk memprediksi mahasiswa yang berpotensi mendapat nilai di bawah persentil ke-30 pada tiga titik waktu strategis (25%, 50%, dan 75% semester). Penelitian ini menerapkan pendekatan optimasi per-kelas, menguji 11 algoritma untuk menemukan model terbaik bagi setiap mata kuliah. Hasil penelitian menunjukkan bahwa tidak ada satu algoritma tunggal yang superior; model paling efektif bervariasi untuk setiap mata kuliah, dengan Gaussian Process, Logistic Regression, dan Voting Classifier menjadi yang paling sering terpilih. Namun, evaluasi pada data uji menunjukkan tantangan signifikan: meskipun skor validasi silang tinggi (F1-score > 0.80), terjadi overfitting dan penurunan performa. Temuan paling krusial adalah rendahnya kemampuan model dalam mendeteksi kelas minoritas 'Berisiko', dengan metrik Recall (Berisiko) mencapai 0.00 pada 8 dari 15 skenario. Kinerja deteksi terbaik dicapai pada mata kuliah Statistika & Probabilitas dengan Recall 0.50. Sistem yang diimplementasikan dengan arsitektur 3-tier (FastAPI dan React) menyediakan dashboard interaktif, namun efektivitas prediksinya untuk deteksi dini dibatasi oleh dataset yang kecil dan tidak seimbang.

Kata Kunci: deteksi dini mahasiswa berisiko, learning analytics, machine learning, klasifikasi biner, learning management system