http://repository.ipb.ac.id/handle/123456789/160870 School of Data Science, Mathematic and Informatics Wed, 12 Aug 2026 09:17:03 GMT 2026-08-12T09:17:03Z http://repository.ipb.ac.id/handle/123456789/178255 KAJIAN RISET CLIMATE - SMART AGRICULTURE DENGAN PENDEKATAN SYSTEMATIC LITERATURE REVIEW DAN TEXT MINING Fadilah, Hidayatul Perubahan iklim telah mendorong adopsi Climate-Smart Agriculture (CSA) sebagai pendekatan strategis untuk meningkatkan produktivitas pertanian, ketahanan pangan, serta kemampuan adaptasi dan mitigasi terhadap perubahan iklim. Pesatnya perkembangan publikasi mengenai CSA menghasilkan literatur yang semakin luas dan multidisiplin, sehingga diperlukan sintesis bukti yang komprehensif untuk memetakan perkembangan ilmu, mengidentifikasi tren, serta mengungkap celah pengetahuan (knowledge gaps). Namun, studi yang mengintegrasikan Systematic Literature Review, analisis bibliometrix, dan topic modeling masih relatif terbatas. Penelitian ini bertujuan menganalisis perkembangan global kajian CSA melalui integrasi, analisis bibliometrik menggunakan paket Bibliometrix, dan pemodelan topik Latent Dirichlet Allocation (LDA). dan analisis bibliometrik digunakan untuk mengevaluasi tren publikasi, penulis dan negara yang paling berpengaruh, jaringan kolaborasi, struktur tema, serta dinamika perkembangan riset. Hasil analisis menunjukkan bahwa publikasi CSA mengalami pertumbuhan yang signifikan dalam beberapa tahun terakhir dengan fokus utama pada adaptasi perubahan iklim, ketahanan pangan, praktik pertanian berkelanjutan, dan petani skala kecil. Analisis bibliometrik juga mengungkap bahwa topik terkait Artificial Intelligence (AI), Internet of Things (IoT), dan machine learning masih berada pada area dengan kepadatan penelitian yang rendah sehingga merepresentasikan peluang riset yang menjanjikan. Selanjutnya, pemodelan LDA berhasil mengidentifikasi tiga tema utama, yaitu (1) praktik adaptasi perubahan iklim, (2) manajemen sumber daya pertanian, dan (3) evaluasi metodologis berbasis bukti. Model terbaik diperoleh pada tiga topik dengan skor koherensi UMass sebesar -1,15 dan UCI sebesar 0,20, yang menunjukkan kualitas koherensi semantik yang memuaskan. Secara keseluruhan, integrasi, analisis bibliometrik, dan LDA memberikan kerangka kerja yang komprehensif untuk memetakan evolusi penelitian CSA, mengidentifikasi kesenjangan penelitian, serta memberikan arah pengembangan riset masa depan, khususnya melalui integrasi AI, IoT, dan teknologi digital guna mewujudkan sistem pertanian yang lebih berkelanjutan dan tangguh terhadap perubahan iklim. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/178255 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/178239 Pengembangan Sistem Manajemen Pengetahuan Penyuluh Perikanan Saepuloh, Dani Pengetahuan lapangan (tacit knowledge) yang dimiliki oleh para Penyuluh Perikanan merupakan aset intelektual yang sangat penting bagi penunjangan keefektifan program Kementerian Kelautan dan Perikanan (KKP). Meskipun demikian, pengetahuan berharga hasil pengalaman bertahun-tahun tersebut berisiko hilang secara permanen. Berdasarkan data kementerian, sebanyak 15,8% (638 orang) dari total 4.026 Penyuluh Perikanan saat ini telah berusia di atas 50 tahun dan akan segera memasuki masa purnabakti. Mekanisme pendokumentasian yang ada pada saat ini, seperti buku panduan umum maupun komunikasi tidak resmi melalui grup WhatsApp, terbukti tidak efektif dalam menghimpun dan menata pengetahuan lapangan tersebut. Oleh karena itu, penelitian ini bertujuan untuk merancang, membangun, dan menguji sebuah purwarupa Sistem Manajemen Pengetahuan (Knowledge Management System/KMS) berbasis web guna menghimpun, menata, dan menyebarluaskan pengetahuan para Penyuluh Perikanan. Penelitian ini mengadopsi metode pengembangan Knowledge Management System Life Cycle (KMSLC) yang meliputi tahap pengujian infrastruktur, pembentukan tim, analisis kebutuhan, perancangan cetak biru, pembuatan purwarupa secara berulang (iterative prototyping), pengujian, serta penerapan. Pengujian sistem dilakukan dengan menggunakan metode campuran (mixed methods) yang melibatkan 10 Penyuluh Perikanan, terdiri atas 5 Penyuluh Senior dan 5 Penyuluh Junior. Pengujian kuantitatif dilakukan untuk mengukur tingkat kemudahan penggunaan sistem dengan memakai kuesioner baku System Usability Scale (SUS), sedangkan pengujian kualitatif dilakukan melalui wawancara mendalam yang dianalisis secara tematik. Hasil penelitian ini berupa sebuah aplikasi KMS berbasis web yang mengintegrasikan tiga pembaruan utama. Pertama, modul penghimpunan pengetahuan yang menggunakan kerangka STAR (Situation, Task, Action, Result) serta teknologi kecerdasan buatan berbasis suara (Voice AI). Modul ini memanfaatkan teknologi Google Gemini 1.5 Flash untuk merekam dan mengubah cerita lisan penyuluh menjadi tulisan terstruktur secara otomatis. Fitur ini dirancang guna membantu penyuluh senior agar tidak perlu lagi mengetikkan laporan panjang secara manual. Kedua, modul pemetaan pengetahuan (knowledge mapping) yang menampilkan jaringan hubungan antarpenyuluh beserta keahliannya dalam bentuk grafik visual yang bersifat interaktif. Fitur ini berfungsi sebagai direktori kepakaran (expertise locator), sehingga Penyuluh Junior dapat dengan mudah menemukan pakar pada bidang perikanan tertentu. Ketiga, modul motivasi berbasis gamifikasi (poin, lencana kepakaran, dan papan peringkat) yang dirancang dengan menggunakan pendekatan self determination theory (SDT) guna mendorong penyuluh agar lebih bersemangat dalam membagikan pengalamannya. Hasil pengujian fungsional sistem (black box testing) terhadap enam alur kerja utama menunjukkan tingkat keberhasilan 100%, yang bermakna bahwa seluruh fitur aplikasi berjalan dengan baik tanpa kesalahan fatal. Pada pengujian kuantitatif bersama pengguna akhir, sistem ini memperoleh skor rata-rata kebergunaan (SUS) sebesar 83,5 dari skala 100. Skor ini berada pada kategori "Excellent" (Sangat Baik) dan melampaui standar kelayakan global, yaitu 68,0. Hasil ini membuktikan bahwa fitur perintah suara sangat efektif membantu Penyuluh Senior mengatasi kesulitan dalam menggunakan sistem komputer. Hasil analisis kualitatif dari wawancara mengonfirmasi tiga keunggulan utama sistem: (1) fitur suara sangat menghemat waktu dan mempermudah pendokumentasian pengalaman lapangan; (2) peta kepakaran mempercepat pencarian solusi teknis dibandingkan dengan harus bertanya secara acak pada grup WhatsApp; dan (3) elemen gamifikasi berhasil meningkatkan semangat penyuluh muda untuk berkontribusi. Di sisi lain, penelitian ini secara objektif menemukan dua keterbatasan sistem di lapangan, yaitu kecerdasan buatan yang terkadang masih keliru mengenali istilah kedaerahan atau dialek khas wilayah pesisir, serta kinerja sistem yang sangat bergantung pada kestabilan sinyal internet, yang kerap kali kurang mendukung di kawasan pertambakan. Secara teoretis, penelitian ini membuktikan bahwa teknologi kecerdasan buatan berbasis suara dapat menjadi alat bantu yang efektif untuk mengubah pengetahuan lapangan menjadi pengetahuan tertulis. Secara praktis, purwarupa ini menjadi model percontohan bagi BPPSDMKP KKP guna mencegah hilangnya pengetahuan instansi akibat purnabaktinya pegawai senior. Bagi pengembangan selanjutnya, disarankan agar sistem ini melatih model kecerdasan buatannya dengan kamus istilah perikanan setempat serta dikembangkan menjadi aplikasi seluler yang dapat digunakan tanpa sambungan internet (luring). Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/178239 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/178128 ANALISIS PERBANDINGAN KINERJA MODEL MACHINE LEARNING SERTA IDENTIFIKASI FITUR DOMINAN DALAM KLASIFIKASI URL PHISHING Pertiwi, Hana HANA PERTIWI. Analisis Perbandingan Kinerja Model Machine Learning serta Identifikasi Fitur Dominan dalam Klasifikasi URL Phishing. Dibimbing oleh MEDRIA KUSUMA DEWI HARDHIENATA dan SHELVIE NIDYA NEYMAN. Perkembangan era digital yang semakin meningkat membuat ancaman kejahatan siber semakin besar. Berdasarkan Laporan Lanskap Keamanan Siber Indonesia Tahun 2024, Badan Siber dan Sandi Negara menyebutkan bahwa phishing menjadi salah satu anomali terbanyak dengan aktivitas sebesar 26.771.610. Peningkatan jumlah distribusi URL Phishing dalam beberapa tahun ini menuntut adanya metode untuk mendeteksi URL Phishing yang dapat mengurangi risiko bagi pengguna. Salah satu solusi untuk menangani aksi kejahatan siber tersebut adalah dengan mengadopsi sistem machine learning. Penelitian ini menganalisis model machine learning menggunakan data komprehensif yang telah dikumpulkan oleh Badan Siber dan Sandi Negara pada tahun 2021 s.d. 2024. Rekomendasi hasil analisis yang didapat memberikan model terbaik untuk penanganan phishing dan mengidentifikasi karakteristik URL phishing khususnya yang marak digunakan di Indonesia. Penelitian ini mengidentifikasi fitur dominan untuk mengurangi missing feature berdasarkan fitur keamanan. Analisis dilakukan untuk menentukan algoritma yang memberikan performa paling optimal dalam mendeteksi URL Phishing dengan membandingkan kinerja tiga model algoritma decision tree yaitu algoritma Random Forest, XGBoost, dan LightGBM. Hasil menunjukkan bahwa LightGBM memiliki performa lebih unggul dibandingkan Random Forest dan XGBoost dengan tingkat akurasi sebesar 97,85% dengan MAE sebesar 0,0215. Secara keseluruhan dari setiap hasil Recall, Precision, dan F1-Score LightGBM memiliki nilai yang lebih tinggi dibandingkan dengan model lain. LightGBM menunjukkan performa terbaik dalam memodelkan hubungan non-linier secara efisien melalui pendekatan leaf-wise tree growth sehingga lebih adaptif untuk data URL phishing yang memiliki karakter lebih kompleks. Dari model terbaik dievaluasi dengan analisis feature importance dan analisis Shapley Additive exPlanations (SHAP) telah teridentifikasi bahwa fitur yang memiliki kontribusi paling besar dalam penentuan URL Phishing adalah Count_Slash_Website. Analisis data BSSN dalam penelitian ini menghasilkan sejumlah fitur dominan yang membentuk karakteristik URL, sehingga menjadi ciri khas serangan phishing yang umum digunakan di Indonesia dalam hal ini salah satunya adalah jumlah penggunaan garis miring (Count_Slash_Website) pada URL. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/178128 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/178062 Analisis Cluster Bencana Banjir di Jakarta Menggunakan Algoritma ST-DBSCAN Berdasarkan Aspek Sosial Ekonomi Sulistianingsih, Yuliana Banjir perkotaan merupakan ancaman yang terus berulang dan bersifat multidimensional bagi Jakarta, dengan dampak sosial ekonomi yang signifikan terhadap kawasan-kawasan berpenduduk padat. Penelitian ini bertujuan menganalisis penerapan algoritma Spatio-Temporal Density-Based Spatial Clustering of Applications with Noise (ST-DBSCAN) dalam memetakan cluster wilayah bencana banjir pada skala kelurahan, menggunakan 5.248 catatan kejadian banjir periode 2016 hingga 2024 yang bersumber dari Badan Penanggulangan Bencana Daerah (BPBD) Provinsi DKI Jakarta, yang selanjutnya diintegrasikan dengan data sosial ekonomi dari Dinas Kependudukan dan Pencatatan Sipil. Dimensi sosial ekonomi yang dikaji meliputi kepadatan penduduk, jumlah rumah tangga, Produk Domestik Regional Bruto (PDRB), serta indikator Pendidikan seperti jumlah peserta didik, guru, pegawai, dan rombongan belajar, yang ditumpangtindihkan pada cluster yang terbentuk guna mengkaji keterkaitan spasial dengan kerentanan banjir. Kombinasi parameter optimal yang diperoleh (minPts = 8, eps1 = 0,0025 atau setara 277,85 meter, eps2 = 0,6 hari atau setara 14,4 jam) menghasilkan enam cluster yang koheren secara spasial dan temporal, dengan nilai silhouette score sebesar 0,883377 yang mengindikasikan pemisahan antar cluster yang kuat. Cluster 0, yang mencakup wilayah Jakarta Utara, Barat, Pusat, Selatan, dan Timur, mencatat dampak kemanusiaan paling parah dengan 260.274 jiwa terdampak dan 33.619 jiwa mengungsi. Sementara itu, Cluster 4 yang meliputi Kebayoran Lama (Jakarta Selatan) dan Grogol Petamburan (Jakarta Barat) menunjukkan paparan ekonomi dan demografis tertinggi. Cluster 1 (Tebet, Jakarta Selatan dan Kramat Jati, Jakarta Timur), Cluster 4 (Kebayoran Lama, Jakarta Selatan dan Grogol Petamburan, Jakarta Barat), serta Cluster 5 (Jakarta Timur) menanggung beban infrastruktur pendidikan yang jauh lebih tinggi dibandingkan cluster lainnya, sehingga wilayah-wilayah tersebut rentan mengalami gangguan layanan akibat banjir. Temuan ini menegaskan efektivitas ST-DBSCAN dalam mengenali pola banjir perkotaan pada berbagai skala analisis, sekaligus memberikan landasan empiris bagi perumusan strategi mitigasi bencana yang tepat sasaran secara spasial dan perencanaan ketahanan sosial ekonomi di wilayah DKI Jakarta. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/178062 2026-01-01T00:00:00Z