Dewantara Journal of Technology

Rancang Bangun Celengan Pintar Berbasis Internet of Things (IoT) Menggunakan Sensor Warna TCS3200 dan Notifikasi Telegram

Mon, 31 Aug 2026 00:00:00 +0700

Menabung merupakan salah satu kebiasaan finansial krusial yang perlu ditanamkan sejak dini. Namun, metode menabung konvensional menggunakan celengan fisik seringkali kurang memotivasi karena keterbatasan transparansi, di mana pengguna tidak dapat mengetahui total saldo secara real-time tanpa harus membongkarnya. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan untuk merancang dan membangun sebuah prototipe celengan pintar berbasis Internet of Things (IoT) yang mampu mendeteksi nominal uang kertas Rupiah secara otomatis dan dinamis. Sistem kendali utama pada perangkat ini menggunakan mikrokontroler ESP32 yang terhubung dengan modul sensor warna TCS3200. Sensor ini bertugas memindai dan mengidentifikasi nilai RGB (Red, Green, Blue) guna menentukan warna dominan dari uang kertas yang dimasukkan. Sebagai media interaksi pengguna, layar OLED 0.96 inch diintegrasikan pada fisik celengan sebagai penampil lokal untuk informasi saldo terkini. Selain itu, sistem ini memanfaatkan bot Telegram sebagai media komunikasi nirkabel berbasis cloud untuk mengirimkan notifikasi instan ke smartphone pengguna. Dalam proses pengembangannya, metode kalibrasi batas minimum (minimum threshold) diterapkan pada algoritma pemrograman untuk meminimalisasi kesalahan baca dan meningkatkan akurasi pengenalan terhadap pecahan Rp20.000, Rp50.000, dan Rp100.000. Hasil pengujian fungsionalitas menunjukkan bahwa prototipe celengan pintar ini berhasil mengidentifikasi variasi uang kertas dengan tingkat akurasi rata-rata mencapai 90%. Kegagalan pembacaan sebesar 10% umumnya dipengaruhi oleh faktor intensitas cahaya eksternal dan kondisi fisik uang yang lusuh. Di sisi lain, integrasi bot Telegram terbukti sangat efektif dalam memberikan pembaruan informasi saldo secara langsung, serta mendukung fitur reset saldo jarak jauh secara aman. Melalui implementasi teknologi IoT ini, sistem tabungan mandiri menjadi jauh lebih transparan, interaktif, dan mampu meningkatkan motivasi menabung masyarakat di era digital.

Pengembangan Model Prioritas Pemeliharaan Jalan Desa dengan Metode Surface Distress Index dan Multi-Criteria Decision Making Berbasis Geographic Information System

Ahmad Bahij Arbinsyah, Yulia Feriska , Wahudin Diantor — Mon, 31 Aug 2026 00:00:00 +0700

Pengelolaan pemeliharaan jalan desa memerlukan sistem pendukung keputusan yang mampu mengintegrasikan kondisi fisik jalan, aspek pelayanan, dan informasi spasial secara objektif. Penelitian ini bertujuan mengembangkan model prioritas pemeliharaan jalan desa dengan mengintegrasikan Surface Distress Index (SDI), Multi-Criteria Decision Making (MCDM) melalui Analytical Hierarchy Process (AHP), dan Geographic Information System (GIS) dalam suatu Spatial Decision Support System (SDSS). Penelitian menggunakan pendekatan kuantitatif dengan studi kasus pada sepuluh ruas jalan di Desa Mertapadawetan, Kabupaten Cirebon. Framework penelitian terdiri atas empat tahapan, yaitu akuisisi data, evaluasi kondisi jalan menggunakan SDI, penentuan bobot dan prioritas menggunakan AHP, serta integrasi hasil analisis ke dalam GIS. Hasil evaluasi SDI menunjukkan nilai indeks berkisar antara 40,00 hingga 187,30 yang mengklasifikasikan kondisi jalan ke dalam kategori baik, rusak ringan, rusak sedang, dan rusak berat. Pada tahap MCDM, kriteria kondisi jalan menjadi faktor paling dominan dengan bobot 0,5587, diikuti fungsi jalan (0,2562), volume lalu lintas (0,1272), dan dampak sosial (0,0579), sehingga menghasilkan Priority Index yang mampu merepresentasikan tingkat urgensi pemeliharaan secara lebih komprehensif dibandingkan pendekatan berbasis kondisi jalan saja. Integrasi hasil SDI dan AHP ke dalam GIS menghasilkan Priority Index Layer yang memvisualisasikan distribusi spasial prioritas pemeliharaan dalam bentuk peta tematik. Model yang dikembangkan tidak hanya meningkatkan objektivitas dan konsistensi dalam penentuan prioritas, tetapi juga membentuk kerangka GIS-based Spatial Multi-Criteria Decision Support System yang dapat mendukung perencanaan pemeliharaan jalan secara efektif dan direplikasi pada wilayah lain dengan karakteristik jaringan jalan yang berbeda.

Analisis Sentimen Ulasan Pengguna Aplikasi Kredivo menggunakan Algoritma Naive Bayes dan Logistic Regression

Diki Dwi Anggara, Farid Fitriyadi, Dahlan Susilo — Mon, 31 Aug 2026 00:00:00 +0700

Perkembangan pesat industri Financial Technology (Fintech) Buy Now Pay Later (BNPL) di Indonesia mendorong tingginya akumulasi ulasan pengguna pada aplikasi Kredivo di Google Play Store. Ulasan tersebut memuat data opini yang sangat berharga terkait tingkat kepuasan, keandalan sistem, maupun keluhan layanan, namun volumenya yang besar menyulitkan evaluasi secara manual. Penelitian ini bertujuan untuk mengidentifikasi sentimen publik serta membandingkan performa algoritma Multinomial Naive Bayes dan Logistic Regression dalam mengklasifikasikan sentimen ulasan pengguna Kredivo. Dataset sebanyak 17.212 ulasan terfilter periode Januari 2021 hingga Januari 2026 diproses melalui tahapan preprocessing (cleansing, case folding, tokenizing, normalisasi kata Indo-Normalizer, stopword removal, dan stemming sastrawi) hingga menghasilkan 10.798 data ulasan bersih. Pelabelan otomatis berbasis rating dengan verifikasi manual pada rating 3 menghasilkan distribusi sentimen yang tidak seimbang, yaitu 80,55% positif dan 19,45% negatif. Pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) menghasilkan 4.558 fitur kata. Untuk mengatasi ketidakseimbangan kelas tanpa memicu data leakage, teknik Synthetic Minority Oversampling Technique (SMOTE) diterapkan secara terisolasi pada data latih di setiap fold menggunakan 5-Fold Cross Validation. Hasil eksperimen menunjukkan Logistic Regression unggul secara konsisten dibanding Naive Bayes dengan menggapai rata-rata akurasi sebesar 90,14%; precision 91,43%; recall 90,14%; dan F1-score 90,52% pada 5-Fold Cross Validation. Pada pengujian akhir menggunakan 20% data uji murni (2.160 ulasan), Logistic Regression kembali membuktikan daya generalisasi terbaik tanpa overfitting dengan akurasi 90,42% dan F1-score 90,74%. Analisis Word Cloud mengungkapkan bahwa kepuasan pengguna didominasi oleh efisiensi pencairan dana dan kemudahan aplikasi, sedangkan keluhan terfokus pada penolakan limit transaksi mendadak serta mekanisme penagihan.